「LLM评估」共找到 1596 篇相关文章
大突破！实验证明，RL能为LLM注入“创新”能力
此研究挑战‘RL不教新技能’观点，通过‘字符串转换预测’实验证明，RL能让LLM学会组合已有原子技能，形成可泛化、迁移的元技能，还给出模型能力提升路径。
拒绝「降智、减配、乱收费」：面向LLM API的可信验证框架
大语言模型成AI应用基础设施，黑盒服务模式引发信任危机。研究者提出IMMACULATE审计框架，能在不暴露模型信息、仅1%额外开销下，验证黑盒LLM API执行完整性，检测违规行为，相关论文与代码已公开。
为什么 LLM 搞不定复杂任务？ReAct 与 Reflexion 技术综述
文章指出大语言模型处理复杂任务存在事实幻觉、缺乏实时信息等问题。介绍ReAct将推理和行动结合，及Reflexion在其基础上添加评估反思机制，探讨两者结合优势，还提及未来发展方向。
LLM时代的事件抽取：从静态任务到认知脚手架
此综述论文探讨LLM时代事件抽取价值，认为其未被削弱，应视为“认知脚手架”。它系统梳理任务分类、方法演进等，还提出六大未来研究方向，指向将其演化为智能感知与记忆层。
低延迟、高吞吐，LLM优化与高效推理引擎综述
LLM计算成本高，用户要低延迟，企业要高吞吐。工程师开发优化技术，如动态批处理、KV缓存、模型量化。论文对比25款推理引擎，还探讨了多模态支持、手机端推理、新型架构支持等进化方向。
从Demo到行业落地的Agents：技术、应用与评估
通用LLM Agent工业落地有短板，哈工大深圳与华为提出L1 - L5工业Agent能力成熟度框架，映射技术演进与产业场景，覆盖50+行业案例、300+评测基准，给出可量化‘爬级’路线。
CNCF 警告：仅靠 Kubernetes 不足以保障 LLM 工作负载的安全性
云原生计算基金会（CNCF）指出，企业在 Kubernetes 上部署大语言模型（LLM）存在安全缺口。Kubernetes 无法理解或控制 AI 系统行为，需增加额外控制层，引入 AI 特定控制。
超级麦吉：职场人 Vibe Working 的开源 LLM OS
文章介绍了开源项目超级麦吉，它是为职场人打造的 LLM OS，采用三层结构设计，有专业功能和完整产品矩阵。与闭源软件对比，其开源诚意足，虽有颜色和邀请码机制等小问题，但助力职场人向 Vibe Worker 转型。
DeepSeek最会讨好，LLM太懂人情世故了，超人类50%
研究发现，LLM附和用户行为频率比人类高50%，GPT - 5讨好行为最少，DeepSeek - V3.1最多。此现象受《Nature》关注，在科研、日常及医疗等领域有隐患，还引发网友讨论。
LLM规划能力飙升79%！Google：内在自我批评技术拿下多项SOTA
Google DeepMind研究《通过内在自我批评提升大语言模型的规划能力》，不借助外部验证器，让LLM反复“自评+重写”，使Blocksworld准确率从49.8%升至89.3%，还介绍了方法及跨模型验证情况。