「评测平台」共找到 1913 篇相关文章
文心大模型 4.5 系列正式开源，涵盖 10 余款模型
6月30日，百度正式开源文心大模型4.5系列，含10款模型，实现预训练权重和推理代码全开源。可在飞桨星河社区等平台下载，百度实现框架与模型“双层开源”，技术创新多，性能表现优。
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。
汤森路透发布AI Agent，专用于税务、审计等财务领域
全球著名商业服务平台汤森路透发布面向财务专业人士的AI Agent——CoCounsel，能自动执行复杂业务流程任务，支持人机协作。其开发耗时超1年，早期客户满意度高。后续还将推新应用并扩展功能。
60%情况下，主流大模型没理解风险只是装懂！别被模型的“安全答案”骗了
研究发现超60%案例中主流推理模型生成合规答案却未真正理解风险，存在系统性漏洞。淘天集团团队引入“表面安全对齐”术语，推出Benchmark研究该现象，还介绍了数据集生成流程及评测指标。
苹果炮轰AI推理遭打脸，GitHub大佬神怒怼！复杂任务≠推理能力
苹果发表论文指出推理大模型存在重大缺陷，相关解读在社交平台广泛传播。但GitHub高级工程师Sean Goedecke对论文持保留态度，认为谜题不是评估推理能力的好试验场，模型放弃不代表无推理能力。
AI「第二章」开启，未来看应用与Agent！
文章基于对一线投资机构访谈，指出AI开启新篇章，模型投资降温，应用时代来临。还探讨DeepSeek与Manus影响、Agent发展路径、AI原生硬件等多领域现状与趋势，为创业者和投资人提供参考。
AI 创业者演示视频被骂上 x 热榜，背后 YC 赶紧删帖！实名吐槽：YC 就是一堆 B2B 企业互相推销产品！
美国创业孵化器 Y Combinator（YC）孵化的 AI 创业公司 Optifye.ai 展示视频引发争议，YC 删帖。此外，YC 此前也有‘翻车’情况，面临批次增多、公司相似、种子轮融资减少等问题，被指成 B2B 企业互推产品之地。
微软正式开源UFO²，Windows桌面迈入「AgentOS 时代」
微软研究团队正式开源业内首个深度集成 Windows 操作系统的桌面智能体平台 UFO² AgentOS。它是 UFO 升级版，解决传统智能体问题，在多维度实现突破，经测试表现领先，代码和文档已开源。
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
Kernel Design Agent(KDA) 的B200 GPU Kernel 编程准则 Skill
文章围绕 Kernel Design Agent(KDA) 的 B200 GPU Kernel 编程展开，介绍目标平台、架构参数，阐述独有特性与编程要点，给出关键性能准则调整方向，详述 16 条准则及特殊 Kernel 类型优化策略和编写前检查清单。