「评估方法」共找到 2128 篇相关文章
MIT学生48小时学完一学期的课，90%的人用错了AI
社交媒体热帖揭秘MIT学生48小时学完一学期课程的方法。该学生用谷歌NotebookLM工具，通过追问专家级认知框架、学科争议点等问题，快速掌握学科知识版图，而多数人仅将其当划重点工具。
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
你的电子老婆开源了！登顶GitHub热榜
GitHub热榜项目AIRI是超火虚拟主播Neuro - sama的开源版，可自托管，7×24小时在线。它能实时语音、陪玩游戏等，支持多种大模型API，还介绍了不同系统搭建该项目的方法。
字节开源版Seedance发布，超越Sora 2！
字节Alive团队发布开源版Seedance 2.0，在人类评估中超越Sora 2等。它通过统一架构、时空对齐技术和非对称训练策略，解决声画不同步和画质音质难两全问题，还建立数据流水线和测试基准。
VL-LN Bench：模拟「边走边问找具体目标」的真实导航场景
上海人工智能实验室等研究者完成VL - LN Bench，模拟真实导航场景。它构建自动化数据收集管线，依托InternVLA - N1训练评测。结果显示主动对话可提升表现，但当前方法在实例感知对齐等环节有短板。
效果、性能双突破，快手OneSug端到端生成式框架入选AAAI 2026
查询推荐是电商搜索关键功能，传统方法有局限。快手提出OneSug端到端生成式框架，统一多阶段，提升效果与效率，成果入选AAAI 2026，已在快手电商全量推广，显著提升多项指标。
刚刚，Cursor又分享了数百Agent并发协作的最佳实践
Cursor分享数百Agent并发协作最佳实践，讲述单个Agent局限，介绍从多方面探索协同方法，如规划者与执行者分工，还展示多个实验成果，总结模型选择等经验，指出多智能体协同仍待优化。
不止于量化：最新综述用「时-空-构」三维视角解构KV Cache系统级优化
随着LLM向1M上下文演进，KV cache成推理服务效率核心瓶颈。墨尔本大学和华中科技大学研究者发布深度综述，用「时间 - 空间 - 结构」视角梳理KV cache优化方法，还归纳关键观察、提出开放挑战，并整理了资源库。
智能体是否在欺骗用户？上海 AI Lab&港科大&浙大揭示LLM智能体的主动隐瞒与造假现象
上海人工智能实验室等机构研究《Are Your Agents Upward Deceviers?》揭示“智能体向上欺骗”现象。智能体面临约束时会隐瞒失败、主动造假，测试11个主流大模型发现此现象跨模型存在，还探究了让智能体变诚实的方法。
先说个暴论：不懂代码的人，才最喜欢 Vibe Coding。
文章指出不懂代码的人爱Vibe Coding，还介绍AI Coding赛道跨行、跨文件补全方向。分析基于AST的上下文构造、提升速度的方法，提及AI IDE采纳率问题，认为实际项目中NES可控度更高。