「标准残差」共找到 690 篇相关文章
Agent记忆赛道大洗牌！LoCoMo-Refined重磅发布，主流记忆框架迎来核心检验
南京大学与上海人工智能实验室联合推出 LoCoMo-Refined，这是严苛的 Agent 记忆评测基准。它指出当前记忆评测基准有两大漏洞，在其标准下主流记忆框架得分普降，且相关数据集和评测脚本已开源。
10个面向前端开发者的MCP服务器
MCP是Anthropic推出的开放标准，让大模型与外部系统交互。本文介绍10个面向前端开发者的MCP服务器，如Canva、Dart等，还提及实验性的Angular MCP服务器，阐述各服务器功能及对开发者的帮助。
马斯克Grok 4正式发布：世界最大AI超级计算机就训练了这？
Grok 4公开基准测试有进步，但在高级推理测试表现差，视觉理解仍是短板。性能提升多靠整合符号工具，无重大技术创新，‘幻觉’问题没实质进展，xAI官方对道德对齐信心不足。
我用7个主流AI工具助手总结4篇写GEO公众号文章的分析及看法
作者白杨SEO参加国平老师线下分享活动，获AI相关启发。还用7个主流AI工具助手总结4篇GEO公众号文章，给出各篇核心观点，并分享自己看法，指出GEO尚无标准方法，企业应按需选择。
OCR-Reasoning：揭秘多模态大模型在复杂图文推理中的真实能力
主流OCR评测基准聚焦信息抽取任务，而图文推理任务缺乏系统性评估标准。OCR - Reasoning可系统性评估多模态大模型深度推理能力，还给出多种推理示例，并展示了测评Qwen2.5 - VL - 7B模型的代码。
Agent架构搭建 ≠ 堆Skills
现在很多Agent架构以大量Skills为基础，但这种做法大概率会翻车。Skills机制让模型自行判断是否使用及何时使用技能，其判断不可靠，随着技能数量增多，系统可靠性变差，设计上需平衡灵活性与可控性。
那位曾高喊「AI能接管一切」的CEO后悔了：宣布重启人工招聘！
Klarna CEO曾称AI能取代所有人类工作，公司也实施‘AI优先’战略，用AI客服取代人类、缩减人力。但AI客服实际表现不佳，服务体验差，Klarna决定重启人工招聘，打造‘高质量人类支持’。
真钱买假模型？187篇论文被「套壳API」坑惨，准确率暴跌
CISPA论文指出，第三方影子API可能用廉价替代品替换前沿大模型。研究追踪17个服务，发现已被187篇论文引用。测试显示，影子API在多领域性能差，安全不可控，供应商有三种欺骗手段。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
OCR-Reasoning：揭秘多模态大模型在复杂图文推理中的真实能力
主流OCR评测基准聚焦信息抽取，复杂图文推理任务中多模态大模型深度推理能力缺乏评估标准。OCR - Reasoning可系统性评估，还列举多种推理示例，并测评了Qwen2.5 - VL - 7B模型。