「评估问题」共找到 3818 篇相关文章
中国团队首次在Nature子刊发布医疗AI标准，未来医生MedGPT摘得全球桂冠
中国AI医疗公司“未来医生”协同专家制定CSEDB，首次提出评估医疗大模型临床能力的系统性框架，被《npj Digital Medicine》收录。在其评估下，未来医生的MedGPT在主流大模型中夺冠。
揭秘大模型评测：如何用“说明书”式方法实现业务场景下的精准评估
文章系统性介绍业务场景下大模型评测流程，包括需求分析、评测集设计生成、维度设定、任务执行和报告输出。指出评测挑战，如设计维度和集，还给出评测方法及案例，像蚂蚁评测集、业务自动化评测。
AI编程的下半场来了？学会用Agent Skill解决编程的痛点问题
文章分享用 Agent Skill 解决 AI Coding 痛点的实操复盘，如让代码上线、解决 AI 不用 Skill 问题。介绍 Skills 原理、CloudBase Skills 优势及与 MCP 组合，还给出实战案例、踩坑经验和未来规划。
什么都不做就能得分？智能体基准测试出现大问题
随着AI智能体走向实际应用，其基准测试变得至关重要。但现有基准测试问题多，如WebArena判错答案、τ - bench给无操作智能体高正确率。文章提出有效性判据和ABC清单，还揭示主流基准测试诸多问题。
真实科研水平集体不及格！全新基准SFE给主流多模态LLM来了波暴击
上海人工智能实验室AI4S团队推出SFE评测基准，首创三级评估体系，涵盖五大科学领域66项任务。评测显示主流MLLMs在高阶科学任务有挑战，不同模型、学科表现有差异，还构建了SciPrismaX平台推动AI科学评估生态发展。
一文读懂深度表格数据表示学习 | 南京大学
南京大学团队系统介绍表格表示学习领域，将现有方法按泛化能力分三类，比较DNN与树模型优劣，剖析核心挑战，探讨扩展方向及数据集评估策略，旨在建跨数据集稳健评估体系。
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。
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。
陶哲轩惊叹！数学奇点初现，AI首次给出人类无法企及的原创证明
谷歌DeepMind团队用Gemini证明代数几何新定理，获斯坦福教授认可；Grok 4.20解决Bellman函数难题；GPT 5.2处理高阶数学问题能力惊人。陶哲轩预言AI或独自攻克部分埃尔德什问题，2026年或成「ASI元年」。
Windsurf快被Devin搞垮了！bug 不断、官方“装死”，百万用户要“跑”了？
Windsurf近期出现性能降低等问题，社区抱怨不断，但官方却隐身不回应。此前公司经历变动，Devin集成到Windsurf后问题频出，如级联错误、积分消耗等，部分用户开始转向其他产品，其未来发展存不确定性。