「评测榜单」共找到 1218 篇相关文章
医疗AI迎来大考！南洋理工发布首个LLM电子病历处理评测 | AAAI'26
南洋理工大学研究人员构建EHRStruct基准，涵盖11项核心任务、2200个样本，用于评测LLM处理结构化电子病历的能力。研究发现通用大模型优于医学专用模型，提出的EHRMaster框架与Gemini联合后性能超现有模型。
现实魔幻！我在AI跑腿网站标价350，和2万碳基同胞一起排队抢单
AI开始雇佣人类跑腿，rentahuman.ai这个赛博“用工市场”上线不到48小时，AI储备的人类劳动力就破万，AI发任务和报酬，人类注册接单，任务内容多样，有网友已收到报酬。
“现阶段就差数据了”Figure 03登《时代》最佳发明榜封面，CEO放话了
刚发布Figure 03的Figure公司，其CEO Brett Adcock在《时代》采访中称现阶段机器人缺数据。此言论引发争议，他亲自反驳质疑，还阐述公司目标、安全考量及对机器人市场需求的乐观预期。Figure 03登上《时代》2025最佳发明榜封面。
卡帕西李飞飞辛顿都投了的Transformer专用芯片，签下10亿美元大单
Etched是只做Transformer专用芯片的创业公司，获卡帕西、李飞飞、辛顿投资。它宣布流片成功，筹集8亿美元，获10亿美元客户大单，还推出一整套面向前沿模型推理的集群系统。
Agent全自动搭建代码运行环境，实时更新解决评测过拟合/数据污染问题｜微软
长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。
vivo发布端侧多模态模型，只有3B可理解GUI界面，20项评测表现亮眼
vivo AI Lab发布端侧多模态模型BlueLM - 2.5 - 3B，融合文本与图文能力，支持长短思考模式切换。它在20余项评测中表现出色，参数量小，训练和推理成本低，有精巧结构、高效策略，还有高质量数据和高性能平台支撑。
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。
4000万样本炼出AI读心术，刷新七榜SOTA，最强「人类偏好感应器」开源
Skywork-Reward-V2全新发布，构建超高质量千万级人类偏好样本，刷新七大评测基准SOTA。8款模型覆盖6亿至80亿参数，小体积也能媲美大模型性能。团队引入多样大规模真实人类偏好数据，提升数据规模与质量。
小米神操作！认领榜一神秘模型Hunter Alpha，龙虾之父都忍不住打听
小米官宣MiMo-V2家族三款新模型Pro、Omni和TTS，其中Pro就是此前占领OpenRouter调用量榜单第一的神秘模型Hunter Alpha。它参数规模万亿，性能亮眼，Omni和TTS也实力强悍，此前身份引发全球网友好奇。