搜索：视觉能力评估

「视觉能力评估」共找到 4100 篇相关文章

EMNLP2025 | LLM多次回答一致就一定正确吗？非也

随着LLMs在高风险领域广泛应用，其输出的事实性错误引发安全质疑。中科院计算所和美团团队论文揭示自我一致错误，传统检测方法对此失效，提出跨模型探针法提升检测能力。

7月23日，“AI大神”李沐开源音频基础模型Higgs Audio v2，构建于Llama - 3.2 - 3B之上，预训练数据丰富。该模型在多个测评中成绩领先，有多种能力，李沐介绍其技术及训练方法。

GitHub报告显示76%程序员用AI编程，代码安全成挑战。腾讯等团队建A.S.E评测框架，有项目级代码生成等优势，能评估代码安全、质量与稳定性，未来将扩充功能，邀开发者参与。

Grok 4公开基准测试有进步，但在高级推理测试表现差，视觉理解仍是短板。性能提升多靠整合符号工具，无重大技术创新，‘幻觉’问题没实质进展，xAI官方对道德对齐信心不足。

北大团队论文揭示AI开始掌握人类创造力核心机制，提出IEI框架量化评估AI组合创造力。研究发现GPT - 4等在创意理解超普通人，框架优化可提升AI创意输出质量，论文被CogSci 2025收录。

Claude Code 强大源于其强大模型基础、丰富实用的内置工具、不压缩上下文信息及无 IDE 包袱等优势。相比之下，OpenAI 的 Codex 因模型能力、强化训练不足等落后，Anthropic 还靠亏本推广积累数据。

据《纽约时报》5月17日报道，白宫和国会官员严格审查苹果与阿里巴巴的AI合作计划。苹果因在中国市场销量下滑、缺乏AI功能，急需本土伙伴；而美国政府担心交易助中企提升能力等。

DeepMind 发布由 LLMs 驱动的进化编码智能体 AlphaEvolve，能演化代码库用于算法发现和优化。它结合 LLM 创造力与自动化评估，减少幻觉，在谷歌计算生态、数学算法等多领域有巨大应用潜力。

火爆的Harness架构在医疗圈落地，智诊科技发布面向医疗健康行业的Agent OS平台WiseClaw 2.0。它以健康档案为核心，有三层流水线等设计，适用于多场景，且在模型、中层能力和上层治理有优势，还获融资加速发展。

全球约2.5亿男性患不育症，其中10%-15%为无精症。美国Paterna公司宣布在实验室用精原干细胞培育出有初步受精能力的精子样细胞，形成早期胚胎，成果或助不育男性生育，不过研究尚处早期。