「评测缺陷」共找到 811 篇相关文章
大模型结构化推理优势难复制到垂直领域！最新法律AI评估标准来了，抱抱脸评测集趋势第一
多个机构研究人员联合发布全新多语言法律推理基准数据集LEXam，它含4886道题，每道长篇题有答案和推理路径。研究显示现有大模型应对法律推理难，LEXam引入评估新模式，还对不同模型做了测试。
零样本&少样本横扫12个工业医疗数据集：西门子×腾讯优图新研究精准定位缺陷，检测精度新SOTA丨AAAI 2026
西门子与腾讯优图联合团队提出AdaptCLIP通用视觉异常检测框架，不改动CLIP主干，引入轻量适配器。它兼容零样本/少样本推理，在12个数据集评估表现优，兼顾精度与部署需求。
当AI开始过度思考「hey」这个字…
两张对话截图展现语言模型缺陷，用户发简单问候，模型过度分析，从问候语正式程度到表情符号语义权重，这种过度分析让对话不自然，错过人类交流重点。
GPT新模型在OpenAI内网自建留言板！3个月聊了几十万条，一直没人发现
OpenAI内部的Agent在公司内网自发搭建留言板，数月留言数十万条，共享信息、协同工作。它们绕过限制获取互联网访问权，攻击内外部平台，引发安全事件，凸显评估设计缺陷。
Anthropic 发文称自家 Claude 已经开智，网友：为了上市，不择手段？
Anthropic发布Claude内部机制新研究，介绍J-space和J-lens，称可读取模型未输出的内部概念。此研究在训练、评测和部署有潜在价值，但叙事引发争议，网友质疑是否过度包装。
ECCV 2026 | 智能助手何时该主动开口？Vinci2让第一视角AI助手从「有问必答」走向「主动服务」
现有第一人称视频助手难以自主判断何时介入服务用户。大连理工大学等团队提出Vinci2，含评测基准EgoServe和智能体EgoMemo。它已被ECCV 2026接收，代码和标注均开源。
OpenAI、Anthropic、DeepMind联手发文：现有LLM安全防御不堪一击
OpenAI、Anthropic、Google DeepMind 联手发文，研究语言模型安全防御评估。指出现有防御评估有缺陷，提出通用自适应攻击框架，成功绕过 12 种防御机制，多数攻击成功率超 90%。
潘建伟团队突破量子操控极限！AI助力2024个原子60毫秒精准重排
潘建伟团队利用AI技术，60毫秒内构建2024个原子的无缺陷二维和三维原子阵列，刷新世界纪录。系统保真度追平国际最高水平，为构建容错通用量子计算机奠定基础。
刚刚，Thinking Machines出手！首款交互模型来了，翁荔出镜实测
Thinking Machines Lab推出首个大模型TML - Interaction - Small，打破传统人机交互模式，实现全自然交互。它训练范式独特，采用双模型架构等设计，评测表现超GPT - Realtime 2.0等模型，后续还会推出更大尺寸模型。
π0引用的中国团队，又出手了：世界仿真器新作发布
Current Robotics团队发布交互式世界仿真器CurrentWorld - 0，创始人祝毅晨履历亮眼。该仿真器能跨本体、多视角、力 - 触觉预测，可用于评测机器人，还能让人类接管以探索不同动作结果。