「员工绩效评估」共找到 1078 篇相关文章
鹅厂员工都是怎么被AI“糊弄”的？
文章邀请鹅厂同事分享被AI“糊弄”的离谱事件，如AI在发票报销、数学计算、编程问题等方面出错，还会编造不存在的信息，其“系统性可信”假象比单纯答错更危险。
微软总裁首次公开禁令：员工不得使用 DeepSeek 应用
近日微软副董事长兼总裁 Brad Smith 在参议院听证会上称，出于数据安全和宣传考虑，员工不许用 DeepSeek 应用程序服务，也未将其放入应用商店，虽此前 Azure 云服务曾提供该模型。
如何让Claude Code成为团队的正式员工？
文章分享了让Claude Code成为团队正式员工的管理方法，涵盖基础设置、使用技巧、审查代码等方面，还提及何时不适合用它，如UI工作。同时指出虽在摸索合作方式，但已开始信任它。
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
鹅厂员工都用AI Coding捅过多少篓子？
本文盘点AI Coding翻车现场及防坑指南，10位鹅厂同事分享用AI Coding捅过的篓子和防坑技巧，如选好模型、手动拆解任务、提前备份、限制危险操作等。
告别“一眼定生死”：Agent-as-a-Judge 开启 AI 评估的下半场
过去两年，LLM-as-a-Judge成评估界“黄金标准”，但面对复杂任务力不从心。论文《A Survey on Agent-as-a-Judge》指出，应从单一的大模型裁判进化为具备行动能力的智能体裁判，还阐述了其优势、发展阶段等。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
鹅厂员工都Vibe Coding出了什么好玩的东西？
Vibe Coding让‘人人都是产品经理’成可能，无需代码基础，几句对话就能将想法变成现实。鹅厂员工用它做出很多好玩的东西，如监控工具、小游戏、相册搜索app等，有不少还进行了开源。
OpenAI员工爆料：已抢先体验GPT-5！7月上线，疑似完全多模态
新智元报道，X上神秘爆料与网友灰度测试经历让GPT - 5讨论再升温。奥特曼称今年夏天可能推出，迈向完全多模态。此外，还提及OpenAI核心团队动态、出走高管新动作及AI发展风险与监管建议。