「测试评估集」共找到 2689 篇相关文章
AI牛马实现“干中学”！上海AI Lab联合推出智能体自我进化新框架
上海人工智能实验室等研究者提出MUSE智能体框架，让智能体实现“干中学”。它围绕分层记忆模块，通过先做、再反思、然后进化，解决现有智能体痛点，实验表现出色，还展望了未来优化方向。
刚刚，Anthropic 发布 Claude for Life Sciences，目标生物科研全流程
Anthropic推出Claude for Life Sciences，全方位布局生命科学领域。它配备Skills功能，生物学测试表现提升，能解读图像、分析数据。还深度整合科研生态，应用场景广，获众多药企、学术机构青睐，还有AI for Science计划。
2025乌镇峰会看点：人工智能，中国数字世界秩序之巅
2025年世界互联网大会乌镇峰会是战略转折点，议程、展览等聚焦AI，从宽泛论坛变为展示AI驱动发展模式平台。报告剖析议程架构、战略差异，评估其对全球AI格局等多方面的影响。
将科研脏活累活真·丢给AI！上海AI Lab推出深度科研智能体FlowSearch
上海人工智能实验室推出深度科研智能体FlowSearch，它由动态结构化知识流驱动，有三大核心模块。在多个科研基准上性能领先，能让科研更高效，标志科研智能体迈向新阶段，还为未来系统奠定基础。
SOTA级的Embedding模型！F2LLM模型、数据、代码全部开源，人人可用
Embedding 模型应用广泛，但主流模型训练困难。蚂蚁集团与上海交大推出 F2LLM，含 0.6B、1.7B、4B 系列模型，仅用六百万数据微调基座，在 MTEB 榜单领先且完全开源。介绍了其数据、训练、测评等情况。
超越ZIP的无损压缩来了！华盛顿大学让大模型成为无损文本压缩器
华盛顿大学SyFI实验室提出LLMc，利用大型语言模型进行无损文本压缩。基准测试显示其压缩率优于传统工具，且项目已开源。不过，当前版本存在效率、吞吐量等问题，应用范围也主要在自然语言。
230个大模型在婴幼儿认知题上集体翻车！揭秘多模态大模型的核心知识缺陷
ICML 2025研究揭示多模态大模型在基础认知能力上表现不佳。研究者建测评题库CoreCognition测试230个主流模型，发现其存在核心知识缺陷，扩规模难补短板，还需补齐核心知识。
Sora2还在5秒打转，字节AI生视频已经4分钟“起飞”
字节和UCLA联合提出Self - Forcing++方法，无需更换模型架构或重收集数据集，就能生成分钟级长视频，最长达4分15秒，高质量且开源，在长、短时长生成上性能领先。
代码生成要变天了？被质疑架空后，Yann LeCun携320亿参数开源世界模型“杀回来了”
美国当地时间9月24日，Yann LeCun团队发布320亿参数代码世界模型CWM。它创新训练方式，能模拟代码执行。性能测试表现出色，还开放检查点。Meta AI业务重组，CWM发布或表明未彻底放弃开源。
AIME'25满分炸场！Qwen一波七连发，全家桶大更新
云栖大会上，通义团队成果丰硕。Qwen3-Max性能提升，数学评测满分，多测试成绩优异；Qwen3-VL、Qwen3-Omni等开源，各有亮点；Qwen3-Coder升级。吴泳铭称要发展超级人工智能。