「免真值评估」共找到 811 篇相关文章
正确答案 ≠ 正确推理，CoT 或成大模型推理能力停滞的「罪魁祸首」？
研究指出当前大模型推理能力评估多关注答案准确性，忽视推理步骤。通过对前沿模型测试发现，2023 - 2024 年大模型推理能力提升停滞，进步靠提示工程，自底向上策略最有效。
Anthropic 提出透明度框架以保障前沿 AI 发展
Anthropic提出新透明度框架，针对大型AI公司，实施安全开发框架评估并减轻潜在风险，要求公开披露SDFs和系统卡片，小型公司豁免，还设执行合规条款，旨在平衡安全与创新。
Google | 溯源分析RAG系统错误，提出选择性生成框架，让RAG问答准确率提升10%
Google对RAG系统错误深入分析，引入‘充分上下文’概念，指出幻觉或因上下文不足。构建评估器，提出选择性生成框架，结合多信号决策，实验显示可让RAG问答准确率最高提升10%。
「AI 100」榜单启动招募，AI产品“年会”不能停丨量子位智库
2025年国内AI产品关键词频现，各有代表性产品。量子位智库2025年度「AI 100」榜单开启招募，分三大板块，用定量与定性结合评估体系，还公开AI产品知识库。
Cursor 免费平替：Gemini Code Assist (附开启隐藏 Agent 模式教程)
文章介绍了 Cursor 的免费平替 Gemini Code Assist，可在多种 IDE 免费使用，基于 Google 先进的 Gemini 模型。还给出安装指南，以及开启隐藏 Agent 模式教程，开启后能调用 MCPs 增强能力。
92% 工程师都在用 AI 后，Uber 开始给 AI “限额”了
Uber的‘零增长技术栈’解耦容量与业务需求，优化Go运行时性能。还将生成式AI集成开发，92%工程师在用，但成本压力大。为此，Uber限额每位开发者，审查代码效果，完善评估指标。
80%代码由Claude合并，Anthropic内部人员点破Agent真相：「Close the Loop」
Anthropic团队研究产品经理Theo演讲指出，Claude已深入其工程流程，超80%代码由它合并。模型角色转变，能力提升，失败率下降。开发者应升级研发战术，如刷新评估基准、精简“脚手架”、闭环设计。
再涨50%，这类型片或供不应求至明年底
11月媒体报道闪迪大幅上调NAND闪存合约价涨50%，业绩超预期致股价创新高，预计供不应求至2026年底。此外，英伟达黄仁勋称芯片需求强劲，OpenAI呼吁美政府扩大芯片法案税收抵免范围。
翁荔最新博客：我们可能高估了模型，却严重低估了那层“脚手架”
前OpenAI安全研究副总裁翁荔在新博客聚焦AI领域Harness Engineering。她认为Harness是决定模型在现实任务中走多稳、多远的‘脚手架’，并梳理其演进路线，也指出研究面临评估、安全等瓶颈。
无需任何 API 费用，这个Agent 拥有“看遍全网”的超能力
AI Agent 在网络信息获取上存在诸多难题，而 Agent Reach 能解决这些问题。它免费开源、安全且持续更新，兼容所有 Agent，支持多平台。安装简单，装好即可用，各渠道还能灵活替换。