「测评提升」共找到 3037 篇相关文章
ACL 2026 | OPeRA Dataset: LLM真的能模仿人类行为了吗？首次系统评估LLM的人类行为模拟能力
美国东北大学等机构研究者提出OPeRA数据集，采集真实用户在线购物行为，支持系统评测LLM个体化行为预测能力。实验显示当前主流LLM在模拟人类行为上表现有限，揭示其能力边界。
「龙虾」从屏幕里爬出来了！现场复刻老板发言，连语调都一模一样
广交会开幕当天，讯飞推出「Claw全家桶」，将Agent从屏幕里拽出。讯飞AI眼镜成Agent之眼；Claw赋能机器人；AstronClaw升级；Loomy可造数字分身；招采Claw检测围串标；SkillHub沉淀企业技能。
目标更重要？国内公司超越Generalist，进化到动作中心世界模型
具身智能圈被Generalist CEO长文刷屏，其称目标比工具标签重要。但国内极佳世界未停于概念争辩，开源“以动作为中心的世界模型”GigaWorld - Policy，重构具身智能底层逻辑，在多方面表现出色。
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。
达尔文.skill正式发布，一个无限进化的skill系统！
作者受Karpathy的autoresearch启发，开发了达尔文.skill系统，可自动评估和优化skill。它有五条原则、八维度评分体系，能批量解决skill质量问题，与Anthropic官方工具互补，现已开源。
刷榜风波惊动OpenAI后，这家中国团队拿回Agent硬核榜单第一
在OpenAI主导的MLE - Bench基准测试上，百度伐谋2.0击败对手登顶。此前有团队刷榜引发风波，官方新增清洁赛道。伐谋2.0在多方面优化，还在汽车、金融、科研等产业落地解决难题。
仅需一行代码AI智商飙升成本反降！Claude推出军师模式：最强模型opus只做幕后大脑
Anthropic在Claude平台实装军师策略，让Opus模型后台当军师，轻量级模型当执行者。仅改一行代码就能实现，成本低且能提升智商，已开启Beta测试，还给出使用步骤。
准确率轻松翻倍！不烧钱微调，AI靠“写日记”实现能力跃升
Memento - Skills系统抛弃大量算力微调模型参数的方式，靠读写反思、“写日记”式学习机制，在不改变模型参数下实现能力跃升，在GAIA和HLE基准实验中准确率显著提高。
Agent搜索哪家强？人大高瓴&快手联合发布全新评测基准GISA
人大高瓴与快手联合发布全新评测基准GISA，用于评估智能体搜索能力。它解决了现有基准反向构造、评估维度单一、答案易被记忆等问题，含373个高质量查询，实验显示当前搜索智能体距人类水平差距大。
黄仁勋祭出DLSS 5！AI画质追平好莱坞，国产游戏抢占全球C位
NVIDIA GTC 2026大会上，黄仁勋推出DLSS 5，称这是图形领域的「GPT时刻」。它解决了让游戏画面逼近好莱坞电影级视觉效果的难题，靠实时神经网络渲染注入写实光照与材质效果，首发游戏国产近半，今年秋季推出。