「评测框架」共找到 2164 篇相关文章
GPT-5.2全力出击！碾压44类专业工作，实测编程同价位无对手、深度推理封神，但速度太拉胯了
GPT-5.2登场，有即时版、思考版与专业版。它在多方面大幅升级，能碾压44类专业工作。经济性强，编程能力佳但速度慢，还自评‘最优科研模型’，幻觉现象减少。今日起推送，优先面向付费用户。
北航领衔发布300页代码智能综述：从基础模型到智能体，一次读懂Code LLM全景图
北航领衔联合近30家机构撰写《From Code Foundation Models to Agents and Applications》，系统梳理代码智能领域，串联模型、任务等成完整技术链路，还通过实验等给出实践指南。
AI终于学会「读懂人心」，带飞DeepSeek R1，OpenAI o3等模型
威斯康星大学麦迪逊分校联合清华的研究《MetaMind: Modeling Human Social Thoughts with Metacognitive Multi-Agent Systems》，将元认知理论融入LLM架构，使模型在心智理论测试达人类平均水平，揭示构建社交智能AI方法论。
AAAI 2025 Oral | 火山引擎多媒体实验室提出VQ-Insight，AIGC视频画质理解大模型
火山引擎多媒体实验室与北大合作论文《VQ-Insight: Teaching VLMs for AI-Generated Video Quality Understanding via Progressive Visual Reinforcement Learning》入选AAAI 2026口头汇报。VQ - Insight用渐进式框架处理AIGC视频画质理解，实验表现卓越。
Agent规模化落地前夜，AI Infra的难题全都暴露了
随着AI Agent大规模落地，中国云服务市场结构转变，AI基础设施角色改变。InfoQ联合腾讯云发起「InfraTalk」直播，探讨AI Infra能力框架等。还解析其核心能力、难题、价值闭环标准及未来竞争焦点。
我用这个开源的「智能体记忆操作系统」，30分钟做了一个AI备忘录应用。
文章推荐开源记忆项目MemOS，它是为智能体打造的记忆操作系统，能让AI有长期记忆体系。作者用其30分钟做出AI备忘录应用，还介绍了MemOS框架，称它是AI转变的关键基建。
2M大小模型定义表格理解极限，清华大学崔鹏团队开源LimiX-2M
大语言模型在结构化表格数据处理上表现不佳，清华大学崔鹏团队开源的 LimiX-2M 模型，仅 2M 参数，却能同时支持分类、回归等任务，性能超越经典模型，且训练、运行成本低，科研友好。
Llama 4造假丑闻幕后：小扎豪赌143亿，却为中国AI「做了嫁衣」
Meta的Llama 4评测性能造假，OpenAI算力计划引恐慌，全球AI发展陷入困境。中国AI力量爆发，如DeepSeek、MiniMax等，以强大性能、高性价比和商业可持续性满足全球需求，在国际舞台崭露头角。
哈佛发现基础模型比你想象中更强大：纯采样方法可超越RL
论文提出基础模型本身已具备强大推理能力，通过“幂采样”纯采样算法，在多推理任务上媲美或超越RL后训练，挑战“RL才能提升推理”观念，为理解基础模型潜力开新视角。
Spring AI Alibaba实践｜后台定时Agent
文章参考Langchain，探讨Agent新运行形态，Spring AI Alibaba（SAA）为开发提供框架。介绍自主运行Agent优势、适用场景，说明构建方法，还给出店铺经营分析和评价舆情分析两个实践案例代码。