「性能评估」共找到 2549 篇相关文章
NUS&复旦&清华：首个系统性大模型Latent Space综述
新加坡国立大学等多机构发布大模型潜在空间领域首个系统性全景综述，从“基础—演进—机制—能力—展望”拆解潜空间范式的底层逻辑、技术路径与未来前景，还对比了潜空间与显式空间差异。
给 iPhone 装个“最强本地大脑”：Google 开源模型 Gemma 4
Google 4 月初发布开源模型 Gemma 4，可离线运行在 Google AI Edge Gallery 上。它在多项基准表现出色，采用 Apache 2.0 协议，开发者可集成到 App。还介绍了在 iPhone 离线使用方法及适用场景。
微软OEL框架：大模型一次部署，终身进化
微软最新论文Online Experiential Learning (OEL)提出让LLM在真实部署后持续自我进化的框架，无需人工标注等。介绍了在线体验学习的必要性、OEL方法论及实验验证，揭示关键洞察与启示。
多智能体编排太繁琐？MASFactory用Vibe Graphing直接「话」出来了
多智能体系统编排当前较为繁琐，北京邮电大学开源 MASFactory 框架，提出以图为中心架构和 Vibe Graphing 开发范式，将开发推向自然语言驱动时代，系统评估显示其效果良好。
AI写CUDA算子准确率92%，到国产芯片只剩4%？上交方法直线拉升，DeepSeek也适用
GPT-5.2写CUDA算子正确率92%，给华为Ascend NPU写算子仅4%，因公开数据少等致‘新硬件冷启动’难。上海交大团队EvoKernel不训新模型、不标新数据，将GPT-5.2正确率从4%拉到83%，还拓展到DeepSeek架构算子。
VLA别再「走神」：即插即用提升视觉泛化，相对Pi0.5提升18%
至简动力、北大、港中文团队发现VLA模型深层动作预测对关键视觉区域依赖下降，提出DeepVision - VLA框架，在仿真和真实任务中效果显著，能有效提升视觉泛化能力。
IMO题库“过时”了！OpenAI内部模型挑战最新First Proof，做了7天错了一半
谷歌发布Gemini 3 Deep Think爆火后，OpenAI用未发布内部模型，一周内尝试解答10道来自数学家科研现场的真实问题，5道基本正确。这些题取自真实研究，切断模型“背答案”可能，意味着自主推理能力进化。
谷歌AI连发6篇数学论文！Gemini攻入博士级科研，91.9%刷爆SOTA
谷歌DeepMind放出多篇重磅论文，Gemini Deep Think成「科研合伙人」，攻克多领域难题。谷歌打造基于Gemini的「AI数学家」Aletheia，在博士级难题获科研里程碑，首批6篇论文成果斐然。
一个大脑搞定所有模态，百度ERNIE 5.0技术报告公布
模型发布近3个月后，百度ERNIE 5.0技术报告公布。其底座用超级稀疏架构，参数量万亿但推理激活参数不到3%，实现四种模态原生自回归统一，还在路由调度、训练范式等多方面有创新。
美团提出全新多模态统一大模型STAR，GenEval突破0.91，破解“理解-生成”零和困局
近日美团推出多模态统一大模型 STAR，以“堆叠自回归架构 + 任务递进训练”实现理解与生成双重突破。它解决行业痛点，通过三大核心设计统一能力，实验在多任务中表现顶尖，还给出后续探索方向。