「端到端评测」共找到 3019 篇相关文章

新闻资讯8

MLLM集体翻车,缺乏婴儿级常识!业界首个核心认知基准发布,LeCun转赞

当前大模型在12项核心认知上普遍落后人类10 - 30%,越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库,用Concept Hacking方法识破模型真假理解,指出模型存在核心知识缺失等问题。

新智元
新闻资讯8

老黄自曝皮衣口袋藏“秘密期权池”!随时准备奖励员工,团队亿万富翁数量世界第一

黄仁勋在采访中透露随身带“秘密期权池”奖励员工,称团队亿万富翁数量世界第一。他还谈及人才市场、芯片分配、AI对就业和经济影响等,如认为收购公司不如付一人10亿,芯片分配先到先得等。

量子位
新闻资讯7

AI七个月突破数学家“围剿”反超人类!14位数学家深挖原始推理token:不靠死记硬背靠直觉

大模型o3 - mini - high在7个月内,于FrontierMath基准测试中,答题得分从2%提升到22%,超人类团队平均水平。数学家分析其推理记录,发现它靠直觉而非死记硬背解题,但也存在缺乏创造力等局限。

量子位
开源动态8

Google开源MCP数据库工具箱轻松连接各类数据库

近日Google开源新项目genai - toolbox,它是为数据库设计的MCP服务器,能让开发者用不到10行代码将数据库工具集成到AI应用。该项目封装复杂问题,有动态工具注册机制,支持主流数据库,提供多语言SDK和多种部署方式。

AI工程化
开源动态8

大模型开网店,谁是经营高手?E-Commerce Bench开源揭秘

为评估模型长程经营能力,联合淘天集团发布E-Commerce Bench,以10万本金、365天经营网店来评测。从多维度评估18个模型,结果差异大,还发现单一指标会掩盖模型表现,评估基准潜力大。

千问大模型
产品应用7

旅行 AI 告别只会做规划的平庸时代,飞猪帮帮决定让 Agent 做履约

8月10日,飞猪推出新一代旅行AI“飞猪帮帮”,能力覆盖旅行全生命周期。它将用户需求分为“帮我想、帮我订、帮我办”,利用Qwen模型后训练,结合多种校验手段,让AI从提供信息到进入履约环节。

特工宇宙
新闻资讯8

对话港理工吕佳欣:如何将一项实验室成果变成一条6500吨级的生产线?

文章是对港理工吕佳欣的访谈,围绕多筒挤压技术展开,探讨从实验室到产业化的过程、挑战及应对方法,还提及工业AI在制造领域的应用,如数据处理、经验转化等,强调科研与工程相互促进。

DeepTech深科技
算法论文8

StereoAdapter:北大首提自监督,适配水下双目深度估计

水下机器人深度感知难题待解,北大等机构提出StereoAdapter框架。它结合单双目视觉,以自监督学习适配视觉基础模型到水下域,设计双阶段结构、自监督训练策略等,实验效果好,未来还将多方面改进。

新智元
新闻资讯7

AI来了!记者、UP主、写手,谁能逃过这场「灭绝浪潮」?

AI深度渗透新闻采编等流程,从Perplexity收购Chrome到Particle打造新闻摘要,正重构信息入口与用户体验。记者岗位面临挑战,57%的人认为会被取代,AI也冲击内容创作,重塑互联网内容。

新智元
新闻资讯8

阿里安全AGI一次发布3款LLM,8B多维度领先GPT-5.4

近期,阿里安全AGI实验室发布3款Yuvion LLM,在AI安全与内容安全领域多维度领先。它以‘对抗即智能’为原则,构建五类数据体系,采用三阶段训练范式,通过YLRE四级评测体系验证能力。

PaperAgent