「评估框架」共找到 2216 篇相关文章
第六章 Coding优先编的是「过程与约束」,不是「参数」
本章以开面包店类比训练大模型，介绍 AutoResearch 自主实验框架。它将研究生助理工作循环交给 Agent，在固定时间用单一指标判断好坏。仓库获约 64.7K Stars，Karpathy 设计哲学为极简主义与固定约束。
罗福莉：Claude订阅封杀龙虾背后，真正的出路不是更便宜的token
Anthropic宣布Claude Pro和Max订阅用户不得将额度用于第三方Agent框架，引发各方反应。Xiaomi MiMo大模型负责人罗福莉指出，当前token计费模式难应对挑战，需更优算力使用方式，还介绍了小米MiMo Token Plan。
更全面的具身智能真机评测来了！CVPR 2026 ManipArena挑战赛邀你打榜
具身智能产业发展迅速，但缺统一、高标准真机评测体系，成发展痛点。中山大学等机构推出 ManipArena 挑战赛，提供科学评测框架，已测部分模型，揭示不同技术路线能力边界，为产业发展提供基础。
AI太难学？清华开源一批「学习虾」，免费的AI私教团来了
清华大学开源全球首个多智能体生成式学习AI技术框架OpenMAIC，它能将技术文档转化为零门槛学习课堂，还可解锁多种学习解法。其前身MAIC是重要学习平台，OpenMAIC功能强大，应用场景广泛。
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
LeCun三顾茅庐，谢赛宁终于入伙！新公司获投10亿美元
图灵奖得主Yann LeCun创立的世界模型初创公司Advanced Machine Intelligence（AMI）宣布完成10.3亿美元种子轮融资，估值35亿美元。DiT作者谢赛宁加入任联合创始人兼CSO，CEO是Alex Lebrun。公司目标是打造理解现实世界的智能系统。
震惊！如果AI掌控核按钮，95%的情况它会按下去
伦敦国王学院研究者让GPT - 5.2、Claude Sonnet 4和Gemini 3 Flash三款模型模拟核危机博弈。不同时间框架下模型表现不同，还展现复杂战略推理能力，95%对局用了战术核武，暴露诸多问题。
字节开源版Seedance发布，超越Sora 2！
字节Alive团队发布开源版Seedance 2.0，在人类评估中超越Sora 2等。它通过统一架构、时空对齐技术和非对称训练策略，解决声画不同步和画质音质难两全问题，还建立数据流水线和测试基准。
展览聚焦｜类型叙事中的技术、情感与未来主义
中间美术馆正展出“抛锚歌单”，汇集16位中瑞艺术家作品。本文聚焦艺术家杨迪，他以影像和装置为媒介，借类型文学与电影叙事框架探讨科技时代困境。其作品揭示虚拟迁徙代价，还分享创作相关看法。
注意力机制大变革？Bengio团队找到了一种超越Transformer的硬件对齐方案
Transformer虽改变世界但不完美，线性递归等新方法理论有优势，实际在GPU表现不佳。Bengio团队提出硬件对齐算法框架，用滑动窗口循环和B2P算法，实验显示有速度与质量双重突破。