「评估优化」共找到 1861 篇相关文章
Lyft 使用 AI 和人机协同扩展了全球范围内的本地化能力
Lyft 实现 AI 驱动的本地化系统，加速应用与网页内容翻译。新系统结合大语言模型、自动评估与人工审核，将翻译周期从数天缩至分钟级，兼顾质量与适配性，还分批量和实时翻译架构处理不同场景。
探针伸进大模型黑箱，南加州大学华人团队打造AI记忆研究的深空望远镜
南加州大学 Robin Jia 教授团队借助英伟达算力，构建基于 Llama 3 架构的全开源受控大模型 Hubble，其成果将在 ICLR 2026 亮相。研究揭示大模型记忆机制效应，还评估了‘机器遗忘’技术，有法律应用潜力。
在边缘应用中，实现 Kubernetes 的主动扩缩容
Kubernetes已成为现代IT核心平台，在云环境应用广泛。但在边缘计算场景，其HPA功能有局限。文章介绍基于CPA构建自定义扩缩器，详述其评估算法、实现方式，经测试CPA比HPA表现更优，适合边缘环境。
OpenClaw构建自我迭代AI助手笔记
作者花3天体验OpenClaw，构建银行客户经理助手场景，验证通用智能体框架可用性。介绍Agent构建、迭代、交流及评估能力构建过程，对比OpenClaw与Claude Code、OpenViking，指出记忆系统问题，肯定专属智能体提升生产力的可行性。
Meta 删邮件事故背后，OpenClaw 为什么会“失忆”？代码库维护者拆解记忆架构
OpenClaw在使用中易“失忆”，如Meta对齐总监用它处理邮件时失去控制。文章从代码库维护者视角，拆解记忆架构，介绍记忆层次、失败模式，给出配置建议和故障排除方法，助用户了解并优化其记忆机制。
突破万次连续编辑极限！中科院提出首个理论保稳的知识保留方法
中科院信工所研究人员提出LyapLock，将连续编辑建模为受约束随机规划问题，整合排队论和李雅普诺夫优化。实验显示，它能突破万次连续编辑极限，编辑效果比主流方法提升11.89%，还可赋能现有模型。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
拿着做数学题的 PRM 来评判 Agent 调用工具，基本是行不通的！
目前评估体系多为结果导向，在工具调用上缺乏像样的PRM基准。Arizona State University和Intuit AI Research研究者推出ToolPRMBench，指出用做数学题的PRM评判Agent调用工具行不通，还介绍了其构建方法、训练范式和实验结果。
Claude Code 2.1 发布：一口气更新了80多个功能特性
2026年1月7日Claude Code发布2.1.0版本，后又跟了2.1.1小修复，更新内容超80条。有Skills自动热重载等新功能、大量bug修复及体验优化。作者建议大家升级，认为它想做完整开发环境。
倒反天罡！Gemini Flash表现超越Pro，“帕累托前沿已经反转了”
Gemini 3 Flash在SWE - Bench Verified测试中分数超Pro，速度和性价比也更优。谷歌解释是因Flash有未用于Pro的优化技术。开发者认为应停止‘旗舰版迷信’，强化学习让小模型也能实现‘降维打击’。