「质量评估」共找到 1290 篇相关文章
bootstrap 到十亿美元 ARR：Surge AI 这匹黑马如何颠覆 Scale 霸权 ？
Surge AI 成立于 2020 年，主创团队低调，短短几年业绩爆发。截至 2024 年 ARR 超 10 亿美元，超越 Scale AI。2025 年 7 月启动首次外部融资，其聚焦高质量数据标注，客户多为顶级科技公司。
超越DeepSeek-R1，数学形式化准确率飙升至84% | 字节&南大开源
字节跳动Seed团队与南京大学联合发布CriticLean框架，将数学自然语言到Lean 4代码的形式化准确率从38%提升至84%。该框架创新性地将评估模型置于核心，解决语义对齐等问题，还构建了相关基准测试和数据集。
鹅厂实习生血泪贴：Agent/RAG黑科技，真相竟是这样！
腾讯实习生分享鹅厂项目实战经验，介绍Agent/RAG黑科技。先讲RAG原理、优化方法及评估流程，还提及文档解析；再阐述智能体定义、历史、原理、分类、评估框架与实践案例，助读者快速入门。
Notion、Stripe 都在用的 Agent 监控，Braintrust 会是 AI-native 的 Datadog 吗？
当 Agent 迈向产品化，开发者面临观测、评估和优化黑箱系统的挑战。Braintrust 由 Ankur Goyal 于 2023 年创立，重塑 Observability，提供 Eval 和 Ship 模块，获多家头部公司青睐与投资。文章从多方面剖析其能否成 Agent 时代‘新 Datadog’。
OpenAI研究大模型对GDP贡献，三大行业已能代替人类，并自曝不敌Claude
OpenAI推出新评估方法GDPval，跟踪模型在现实任务表现。评估显示前沿模型接近专家水平，Claude Opus 4.1表现最佳，GPT - 5准确性出色。还发布黄金子集和评分服务，其处于起步阶段将持续扩展。
评测也很酷，Data Agent 自动化评测的三层框架与实战
在大模型技术飞速发展下，评估应用效果成难题。字节跳动尹小明分享自动化评测技术，提出三层评测框架，还介绍 Text - to - SQL 及深度研究评测改进，以及评估平台建设，最后展望自动化评测未来方向。
刚刚，小云雀的短剧Agent上线了，背后是字节自己的Seedance 2.0。
字节的小云雀短剧Agent上线，以Seedance 2.0为底层模型。它能根据剧本或设定自动生成高质量短剧，提升了AI短剧创作效率，且不挑风格。文中还介绍了使用流程及剧本创作方法。
Meta开始用KPI考核，强迫所有员工尽可能多使用AI
Meta从面试到绩效评估全方位推动员工使用AI。招聘允许用AI助手，2026年绩效评估将纳入“AI驱动的影响”，还推游戏和绩效助手鼓励员工用AI，这也是硅谷科技巨头的大势所趋。
SIGGRAPH Asia 2025 | OmniPart框架，让3D内容创作像拼搭积木一样简单
香港大学等机构研究者推出OmniPart框架，解决3D内容创作难题，已被SIGGRAPH Asia 2025接收。它将生成任务解耦为两阶段，保证部件独立又能完美组合，质量和效率超现有方法，应用潜力大。
GraphRAG圈新秀：文档级RAKG
随着大模型能力增强，知识图谱成研究热点。传统KGC有实体消歧难、模式僵化等痛点。文章提出RAKG框架，将RAG评估机制引入知识图谱构建，实现文档级自动化构建与评估，多指标表现优异。