「评测缺陷」共找到 811 篇相关文章
梁文锋署名新论文，DeepSeek V4架构首曝？直击Transformer致命缺陷
新智元报道，梁文锋署名的DeepSeek新论文提出全新Engram模块，解决Transformer记忆难题。论文联手北大提出与MoE互补的“条件记忆”稀疏轴，通过Engram模块实现近似O(1)的确定性知识查找，或成稀疏LLM主流路线，下一代V4可能集成该方法。
BrowseComp等评测集第一，秘塔推出「深度研究」，已开启免费公开访问
世界变化快，AI领域新概念不断。秘塔在上线“浅度研究”五个月后，将其升级为“深度研究”。该模块最初由OpenAI推出，秘塔版可免费公开访问，准确率优，还让研究过程可见。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。
刚刚，谷歌AI路线图曝光：竟要抛弃注意力机制？Transformer有致命缺陷！
谷歌未来AI路线图曝光，Gemini全模态是重点，模型向智能体转变，推理能力将扩展。谷歌还需突破现有注意力机制限制实现无限上下文。此外，文中盘点了OpenAI、DeepSeek等大厂AI年中表现。
ACL'25 | CIGEval：一种基于多模态大模型的可控生图评测智能体
阿里国际AI团队提出CIGEval，这是基于多模态大模型驱动的图像生成评估智能体框架。它集成多功能工具箱，通过任务拆解与工具调度提升评估准确性与可解释性，已在ComfyUI - Copilot上线。
把 UI 生成接进流水线：基于半监督评测体系的 UI 自动化生产实践
本文来自蚂蚁集团黄兆嵩在 QCon 2026 的演讲，探讨生成式 UI 技术重塑生产方式。提出系列工程实践，包括高质量生成、LUI 场景应用及质量监控迭代，让前端生产自动运转、用户体验随需而变。
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
视频「缺陷」变安全优势：蚂蚁数科新突破，主动式视频验证系统RollingEvidence
蚂蚁数科AIoT团队论文提出主动式可信视频取证系统RollingEvidence，利用相机卷帘门效应嵌入物理水印，结合AI与概率模型验证，抵御伪造篡改，在检测准确率和防护能力上优于传统技术。
这一夜，中国AI彻底翻身了：DeepSeek R1让全世界刮目相看 | 深度评测
作者深度测试新DeepSeek R1，发现其代码生成能力超Claude 3.7，虽编程全面性有不足，但已处Claude 3.7与Claude 4之间。前端设计审美达Claude 4水准，部分方面略胜，有自主学习推理能力，或改变中国AI历史。
智谱GLM-5.1深度评测：8小时连续工作，开源大模型进入"工程交付"新纪元
2026年4月8日智谱发布GLM-5.1，它是全球首个通过真实工程任务验证8小时持续工作能力的开源模型，在SWE-Bench Pro上超越GPT-5.4等登顶。该模型性价比高、技术创新多，还适配国产硬件，开源生态友好。