「评测环境」共找到 1120 篇相关文章
ACL 2025 Oral | 你的模型评测搭子上线：Evaluation Agent懂你更懂AI
上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。
大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准
现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。
抽象小视频秒变特效大片：原视频精髓不变角色环境任意换，Luma出品
Luma AI推出Modify Video玩法，能将抽象小视频爆改为特效大片，可对角色、场景等任意换，还保留原视频动作运镜。能进行视频动捕、风格迁移、单个元素编辑，性能超越同行Runway。
给龙虾定MBTI、发工牌，还让龙虾偷技能…打工人得适应新环境了
AI圈掀起“养龙虾”热潮，智谱、腾讯纷纷发布相关产品。极客和开发者对龙虾进行实测，它不仅能用于打造赛博宠物、线上办公室，还能完成视频剪辑、教辅、营销等工作。同时，Agent框架让大模型进入业务线，飞书成合适的工作台。
GPT-5、Grok 4、o3 Pro都零分，史上最难AI评测基准换它了
AAI机构提出新基准FormulaOne，让GPT - 5、o3 Pro等前沿大模型集体得零分。该基准含220个图结构动态规划问题，分三类难度。测试结果显示，模型在深层及最深层难度表现差，引发关注。
一手评测Seedance 1.0 pro，字节首次登顶视频大模型竞技场的大杀器来了。
作者在火山引擎发布会现场，认为视频生成模型Seedance 1.0 pro最酷。从多镜头组合、运动质量、情绪、运镜、物理动态效果、风格化六个维度测评，该模型各方面表现出色，无明显短板，已开放给企业用户，今日在豆包App全量上线。
HaluMem：让AI记忆系统的“幻觉”现形——首个面向记忆系统的操作级幻觉评测基准
过去一年，AI Agent的‘记忆能力’成热门话题，但AI记忆存在幻觉问题。为此发布操作级幻觉评估基准HaluMem，它能精准定位幻觉来源，评估主流记忆系统，为构建可靠记忆系统提供方向。
字节Seedream 4.0将全量开放！抢先评测来了，我们摸索出AI生图20种「邪修」玩法
近日，字节跳动内测豆包・图像创作模型 Seedream 4.0，支持多模态生图，核心能力显著提升。它将全量上线并开放给企业客户。实测显示其多模态融合出色，还与谷歌 Nano Banana 对比，各有优势。
与三位前沿研究者聊AI Agent：规则、环境与热潮下的真问题｜五源小酒馆Vol.31
五源小酒馆对话三位AI Agent前沿研究者，探讨其发展进展、挑战。他们分享对Agent定义、能力边界判断等，提及过去技术突破，如DeepSeek工作，也指出通用Agent瓶颈，探讨未来模型能否提有价值问题等。
5700问答对全面评估拷问AI空间感！最新空间智能评测基准来了丨浙大&成电&港中文
当前视觉语言大模型空间信息学习片段化，缺乏多维度空间推理能力。浙大、成电和港中文团队提出ViewSpatial - Bench基准体系，评估主流模型，揭示其缺陷，并开发MVSM优化跨视角空间理解。