「评估框架」共找到 2216 篇相关文章
VerlTool重塑Agentic RL的训练生态
当前LLM像‘缸中的大脑’，缺乏与外界互动能力。新范式ARLT兴起，但构建训练框架面临诸多挑战。VerlTool作为统一、模块化、高效的开源框架应运而生，解决难题，在多任务实验表现出色，推动LLM向智能体转变。
ICLR 2026 Oral | 西湖大学发布Real PDE Bench
复杂物理系统时空演化预测是核心问题，当前AI模型多在数值仿真数据上训练，难以评估其在真实数据上的表现。西湖大学等实验室提出RealPDEBench，含真实与仿真数据，设三类任务、九个评估指标和十个基线方法。
Andrej Karpathy 提出判断什么工作会被 AI 替代的新标准
Andrej Karpathy 提出判断工作是否会被 AI 替代的新标准，即不看复杂度看可验证性。他在 Software 2.0 框架下解释此现象，还指出任务被 AI 自动化需满足可重置、高效、可奖励三个条件，同时提及该框架有局限性。
醒醒吧！CEO猛吹AI写95%代码，绩效考核却还在拼程序员手速？
本文是对 Superhuman 工程负责人 Loic Houssier 的深度访谈。他分享了 AI 时代团队管理、开发流程、绩效评估等方面的变化，指出 AI 虽提升效率，但在质量评估、人才适配等方面仍需探索，还强调观望 AI 发展会有职业风险。
英伟达&MIT等推出Long-RL，长视频训练速度翻倍
英伟达联合MIT等推出Long - RL，它是面向长序列推理和多模态强化学习的全栈训练框架，能提升RL训练数据长度上限，让训练速度翻倍。其核心MR - SP并行框架可降低训练耗时和显存，LongVILA - R1是其明星应用。
Issue修复开源No.1！蚂蚁 | 提出代码图模型：CGM，结合GraphRAG架构，领先最强开源7.33%
为解决开源模型在仓库级代码理解上的能力瓶颈，蚂蚁全模态代码算法团队提出 CGM 架构，融合仓库结构与语义信息。CGM 首创图结构与语言模型融合的对齐框架，还搭配了 GraphRAG 框架，在多个代码任务中表现出色，且相关资源均已开源。
5000 star，Harness门槛被OpenHarness打穿了
分享开源Python实现版本OpenHarness，它易上手，能助研究者和开发者理解生产级AI Agent原理、构建专用智能体。介绍其核心功能、架构及核心循环逻辑，还给出了Github链接。
The Batch: 894 | 面向生物医学的多模态模型
过去几年联合推理模型进展快，但生物医学领域能力碎片化、脆弱或难解释。2026 年，学术界应推进多模态模型建设，关注深度整合、可解释性、数据效率和适应性及模型在工作流中的整合。
OmniInsert：全新无掩码视频插入技术
基于扩散模型的视频插入技术发展快，但以往方法有局限。字节提出InsertPipe和OmniInsert，解决数据不足等难题。OmniInsert设计巧妙，还建立评测平台InsertBench，虽有小问题，但推理快，可加速优化。
DeepMind让AI当「上帝」，导演一场只有AI演员的「西部世界」
Google DeepMind和多伦多大学研究人员受TTRPG和现代游戏引擎启发，提出Concordia软件库。它基于「实体 - 组件」架构，将工程师与设计师角色分开，能灵活构建多角色生成式AI系统，满足不同需求。