「评估工具」共找到 2524 篇相关文章
大模型“精细化”对齐，真实性提升25.8%刷新SOTA！token级精准编辑，无需训练即插即用
北航团队在EMNLP 2025提出Token - Aware Editing (TAE)方法，从token层面解决传统表征编辑技术问题，无需训练、即插即用，在多个对齐维度显著提升，如在TruthfulQA任务上真实性指标提升25.8%。
Embodied Arena：业界首个统一具身大脑评测平台重磅发布，30+模型全面对比揭示关键洞察
具身智能火热，研究者常感茫然。Embodied Arena评测平台上线，它全面统一且持续演进，涵盖22+基准测试和30+模型，构建评估体系，揭示关键洞察，为具身模型发展指引方向。
狂揽17.1K Star!!开源逆向工程神器，Rizin引擎驱动、跨平台调试反编译、图形化操作，爽翻了！
在信息安全等领域，传统逆向工具价格贵或操作复杂。开源君分享免费开源逆向工程神器Cutter，由Rizin框架驱动，有强大功能与现代化界面，在GitHub获17.1K Star。
IBM推出轻量多模态文档神器！OCR与QA超GPT-4o，识别率高达98%！
日常文档处理麻烦，现有工具或体积大、算力消耗高，或识别精度不够。IBM 开源轻量多模态文档处理模型 Granite - Docling，仅258M参数，性能超 GPT - 4o，适用于多场景。
华纳兄弟起诉Midjourney
Theverge消息，华纳兄弟起诉文生图平台Midjourney，称其AI工具生成大量侵犯版权的角色图像和视频，如蝙蝠侠、超人等。诉状列举侵权行为，提供对比案例，华纳希望获禁令并索赔。
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。
Copilot强塞马斯克Grok新模型，遭开发者集体“抵抗”！GitHub内部工程师曝：我们是被“胁迫”的
微软旗下 GitHub 深化与 xAI 合作，将 Grok Code Fast 1 整合进 Copilot。但 GitHub 内部举报人指其安全测试不足、团队被‘胁迫’。此引发开发者‘抗议’，部分要求撤销合作，也有人看好合作价值。
最窒息的Bug：Agent循环搜索原地打转？SGR Agent用「双阶段认知」破局
Hybrid Schema - Guided Reasoning（SGR）是革命性AI研究智能体框架，用「两阶段推理 - 执行架构」和「持久化上下文记忆系统」，解决AI助手复杂研究任务的三大痛点，模拟人类研究过程，适用于多场景。
专门收购和孵化无聊产品，年收入 3 亿美金的 Tiny 给了些启发
Tiny 通过收购孵化不起眼但赚钱的产品，成年收入 3 亿美金的控股公司。联合创始人 Andrew Wilkinson 分享创业见解，如选有利润空间的细分市场，初期选能快速获正反馈的生意，还谈到收购、管理等多方面经验。
90%打工人「自费买AI上班」，开启To P革命！每月花20刀效率翻倍
面对AI淘汰焦虑，大量职场人主动自费买AI工具，开启「自我拯救」运动，催生出To P新赛道。文章分析其发展快的原因，也提及To B和To C赛道后续发展的条件。