「评测框架」共找到 2164 篇相关文章
AIME'25满分炸场！Qwen一波七连发，全家桶大更新
云栖大会上，通义团队成果丰硕。Qwen3-Max性能提升，数学评测满分，多测试成绩优异；Qwen3-VL、Qwen3-Omni等开源，各有亮点；Qwen3-Coder升级。吴泳铭称要发展超级人工智能。
苹果传统强项再发力，视觉领域三种模态终于统一
苹果在大模型领域常受挫，但计算机视觉研究是其强项。其研究团队提出 ATOKEN，这是首个能在主要视觉模态统一处理的分词器，兼顾重建质量与语义理解，成果朝通用视觉表征迈进一步。
首个Data Agent基准测试来了！2007个测试任务将数据库、PDF、视频、音频异构数据源一网打尽
南洋理工大学、新加坡国立大学与华为开源首个针对数据智能体异构混合数据分析的基准测试FDABench。它有2007个任务，覆盖多领域多数据源，独创协作框架，能测多种工作流模式的数据智能体。
快手AI超级员工上线！一句话剪出完整短视频，从文案到发布一条龙
快手AIGC超级员工Kwali正在内测，可一句话生成完整短视频。它整合多Agent框架，有素材库和数字人资源。能完成脚本、拍摄、剪辑等环节，降低视频制作门槛，重构视频供应链。
综述 | Agentic RL for LLM的最新进展与未来挑战，idea满满
该综述对新兴的Agentic RL进行系统性总结与展望，介绍其与传统LLM - RL区别，从核心能力和任务视角阐述其应用，梳理支撑系统，指出核心挑战与未来方向，展示通向通用AI的希望之路。
真实场景也能批量造「险」！VLM+扩散模型打造真实域自动驾驶极限测试
浙江大学与哈工大（深圳）联合推出SafeMVDrive，将VLM关键车辆选择器与两阶段轨迹生成结合，可在真实域批量制造高保真安全关键视频，用于端到端自动驾驶系统安全性测试。
o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界
GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。
Kimi K2技术报告正式发布：“保姆级”深度解析，一文读懂万亿参数智能体的所有秘密
Kimi K2技术报告发布，Moonshot团队用万亿+参数稀疏MoE架构等打造接近Claude - Opus的通用大模型。围绕训练稳定性等改进，有预训练、架构设计等多方面创新，为智能体领域提供可行路径。
广义智能体理论：智能时代通向「万物理论」的新路径？
源自AI的「广义智能体理论」为探索「万物理论」提供新视角。它将物理、生命、AI系统纳入标准智能体框架，提出四大基本作用力或源于「智能场」，还为经典、相对、量子力学差异提供新诠释。
中山大学&华为联合提出 Issue Resolution 数据集构建神器SWE-Factory：每条只要$0.024
中山大学和华为联合提出低成本开源方案 SWE-Factory，可自动收集代码打造高质量代码评估数据集。它能解决传统构建流程繁琐、依赖人工的问题，实现全流程自动化，还构建了 SweSetupBench 数据集，表现出色。