「结构化评估」共找到 1780 篇相关文章
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。
刚刚，OpenAI发布「科研写作神器」Prism，Overleaf危
今天凌晨，OpenAI推出专为科学家打造的AI原生协作平台Prism，由GPT - 5.2驱动，解决科研工具碎片化问题。即日起向ChatGPT个人账户用户免费开放，功能或覆盖Overleaf，也引发数据安全等讨论。
The Batch: 895 | 发起群聊的聊天机器人
如今互联网受AI泛滥化影响，还面临阻止LLM进入的情况。但AI可被设计连接人们，如在聊天中作积极联合力量。研究者做些改变就可行，未来AI或能促人类共同提升。
4 个月 3000 万美金 ARR，做 AI 评测榜单的 LMArena 为何值 17 亿美金
AI评测产品LMArena半年前种子轮获1亿美金，现完成超1.5亿美金A轮融资，估值达17亿美金。其核心产品Chatbot Arena可对比AI模型回答并构建榜单，公布的数据或解答了其估值高的疑问。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
NeurIPS 2025 Best Paper | 扩散模型不为人知的“时间差”：为什么先学会创作，后学会抄袭？
深度学习中，扩散模型能生成新图像且抗过拟合。巴黎高师和博科尼大学研究团队论文指出，这源于隐含的动力学正则化，训练分两阶段，数据量增加会拉开‘泛化窗口’，还给出数学解释。
Vibe Coding 产品最大的错觉，是以为自己真的有护城河
Base44创始人Maor Shlomo认为Vibe Coding工具易被复制，技术护城河难寻。他指出真正的护城河是“垂直整合”，构建全栈平台很关键。还谈到市场竞争、软件发展趋势、公司策略等多方面内容。
AI算力大战打到太空！英伟达前脚H100入轨，谷歌TPU后脚上天，中国玩家笑而不语
英伟达和谷歌在太空算力布局上竞争激烈，英伟达H100已入轨，谷歌TPU预计2027年初上天，二者都想建吉瓦级数据中心。太空部署有成本、散热等优势，但也有工程挑战，而中国之江实验室星座已商用。
别再只关注KV Cache了! LLM稀疏性新洞察：为何模型越深越稀疏？UNCOMP从矩阵熵给出答案
团队论文UNCOMP获EMNLP 2025主会接收，它提出高效推理框架，从截断矩阵熵视角解释LLM深层稀疏现象。还能识别关键结构、找到最优压缩策略，设计的UNCOMP框架优化KV Cache，实验效果佳。