「评估方法」共找到 2128 篇相关文章
一举击败Claude Code！微软提出代码生成黑科技：一键直出36K行代码
现有方法依赖自然语言规划生成仓库易失效，微软提出Repository Planning Graph (RPG)，以图谱替代文字规划。基于此的ZeroRepo框架能让仓库生成可控、可扩、可验证，在新基准RepoCraft上表现远超Claude Code。
给几何图片写标题就能让AI更聪明，UIUC发布高质量可泛化几何数据集
随着多模态大语言模型在视觉问答等任务广泛应用，其几何推理能力成研究热点。现有方法泛化能力有限，UIUC团队提出Geo - Image - Textualization框架，发布GeoReasoning - 10K数据集，提升模型几何推理表现。
只要科学任务能打分，AI就能实现SOTA结果 | 谷歌最新论文
谷歌最新论文提出，只要科学任务可评分，用大模型+树搜索，让AI大海捞针，就能找到超越人类专家的方法实现SOTA结果。他们开发的AI系统在多领域发明新方法，都达SOTA水平。
推荐：AI搜索增加链接展示，从谷歌people also ask到AI搜索；AI绘画从吉卜力到Nano Banana增长方法论
文章推荐两篇内容。一是Google将在AI模式增加链接展示，访谈提及AI搜索是传统搜索迭代，核心SEO原则仍有效；二是复盘Remini借热点增长的DICE模型，含数据监测、敏捷创新、创意营销和数据验证。
Airbnb Istio 升级 14 次零宕机！Google、Uber、Netflix 都在借鉴
Airbnb engineering发布报告，介绍在数万Pod和数千VM上执行Istio升级且零宕机的方法。其设计升级流水线，用双版本部署和金丝雀发布策略等。还对比了Netflix、LinkedIn等公司的升级方式。
告别海量标注！浙大团队提出GUI-RCPO，让GUI定位在无标签数据上自我进化
浙大等机构研究人员提出GUI - RCPO，这是自我监督强化学习方法，能让模型在无标注数据上提升GUI grounding能力。其通过迁移思想，利用区域一致性自我提升，实验表明该方法有效且有泛化能力。
GPT正面对决Claude！OpenAI竟没全赢，AI安全「极限大测」真相曝光
OpenAI和Anthropic罕见合作，测试双方模型在幻觉等四大安全方面的表现。这场合作是AI安全的里程碑，百万用户每天的互动推动安全边界扩展。文中详细对比了GPT和Claude模型在各安全测试中的表现。
Github 8.7K star 厉害!!! 一款轻量好用的web自动化项目！
Nanobrowser是开源Chrome扩展工具，专注AI驱动的网页自动化。免费且本地运行，保护隐私，支持多主流大模型。有多智能体协同等特点，还介绍了安装配置方法，是高效安全的网页自动化之选。
狂肝一周，测评十余款 PPT AI 生成产品的真实反馈
评估 Agent 产品能力复杂，以 PPT 生成为例，有 Agent 和模板化两种流派。作者选前者投票测评、后者全方位测试。给出方案，还推荐不同需求适用产品，附总榜单和细致体验描述。
藏师傅教你用 Nano Banana 编辑图片做手办
前几天发 Nano Banana 测评后，很多人不知怎么用。刚好做手办图玩法火了，作者教大家在 LM Arena 用 Nano Banana 编辑图片、做手办图，还介绍把图片变视频及剪辑的方法。