「测评体系」共找到 726 篇相关文章
SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益
来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
一场文心大模型的「AI马拉松」
2025 年模型能力至关重要，百度在基础模型研发持续投入。百度 AI Day 上，吴甜解读文心新模型技术，文心 X1 Turbo 推理强、成本低。百度技术体系完备，未来看好多模态与智能体，降成本促应用生态发展。
用DeepSeek网页版就能瓜分鹅厂600万？？！
腾讯营销以KDD Cup 2026官方赛道身份出题，聚焦推荐系统统一建模，奖金600万+。全球众多选手参与，学术和工业赛道各有冠军方案，还设创新奖。赛事也推动了鹅厂人才培养体系的拓展。
AI 太烧钱！微软选择「倒戈」DeepSeek
微软宣布Copilot Cowork全球上线并引入按使用量计费机制，还评估引入DeepSeek V4。Agent普及使AI成本问题凸显，微软进行系统性重构，构建质量保障体系，成本工程化能力成竞争新焦点。
「虾马」之后，openJiuwen社区发布JiuwenSwarm，引领蜂群智能体新架构，开启「养蜂」时代
华为支持的开源AI Agent平台社区openJiuwen发布并开源蜂群智能体JiuwenSwarm，按下“群体智能”加速键。它基于Coordination Engineering理念，有全栈技术体系，在多领域实战效果好，且单Agent能力强。
破解机器人「慢半拍」难题：南洋理工解决VLA致命短板，动态世界断层领先
南洋理工大学NTU S-Lab团队提出DynamicVLA，解决主流VLA模型在动态场景下反应迟缓等问题。它从多层面设计，构建自动化数据体系和DOM Benchmark，在实验中多维度领先。
比Vibe Coding强100倍！字节 Trae 2.0 携“上下文工程”登场：一句话，从需求干到上线！
字节跳动的AI编程助手Trae发布2.0版本，新增SOLO模式，支持端到端开发流程。上下文工程热度攀升，能解决AI代码落地问题。Trae迭代快，从基础问答进化为智能体系统。
马斯克“巨硬计划”新动作曝光！从0建起算力集群，6个月完成OpenAI&甲骨文15个月的工作
马斯克“巨硬计划”新动作曝光，6个月从0建起算力集群，完成200MW供电规模。“巨硬”将基于Grok构建多智能体系统，自动化完成软件开发。Colossus II为此提供算力，马斯克亲自督战。
美团开源新模型，多项能力实测第一
美团发布5600亿参数的LongCat - Flash模型，有创新动态计算机制和高效训练推理架构。它在多项测评中领先，尤其在代理工具使用测试表现出色，还以宽松许可开源，降低使用门槛。