「智能体评估」共找到 4000 篇相关文章
正确答案 ≠ 正确推理，CoT 或成大模型推理能力停滞的「罪魁祸首」？
研究指出当前大模型推理能力评估多关注答案准确性，忽视推理步骤。通过对前沿模型测试发现，2023 - 2024 年大模型推理能力提升停滞，进步靠提示工程，自底向上策略最有效。
3行代码做出自己的数字人，GitHub爆火的国产项目你用上了吗？
中国硅基智能推出HeyGem与DUIX两大开源项目，在GitHub引发热潮。HeyGem能快速克隆数字分身、生成4K视频，DUIX支持实时交互，二者构建完整技术闭环，推动数字人技术普及。
李飞飞刚发Atlas，中国开源“同款”已抢跑半年？
9月2日，李飞飞团队发布多模态世界模型Atlas，引发好评。而国内影溯3月就开源InSpatio - World模型，有类似能力。影溯登顶权威榜单，还联合启动大规模空间智能3D数据开放计划。
Meta AI大裁员，裁到了田渊栋？
据报道，Meta在人工智能部门裁减约600个职位，波及FAIR等团队。有科学家‘在线求职’，包括FAIR研究科学家总监田渊栋。Meta正将重心转向‘超级智能’，FAIR灵魂人物Lecun辞职威胁或成真。
Anthropic 提出透明度框架以保障前沿 AI 发展
Anthropic提出新透明度框架，针对大型AI公司，实施安全开发框架评估并减轻潜在风险，要求公开披露SDFs和系统卡片，小型公司豁免，还设执行合规条款，旨在平衡安全与创新。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
近日，智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，打破具身智能演进制约。
Google | 溯源分析RAG系统错误，提出选择性生成框架，让RAG问答准确率提升10%
Google对RAG系统错误深入分析，引入‘充分上下文’概念，指出幻觉或因上下文不足。构建评估器，提出选择性生成框架，结合多信号决策，实验显示可让RAG问答准确率最高提升10%。
「AI 100」榜单启动招募，AI产品“年会”不能停丨量子位智库
2025年国内AI产品关键词频现，各有代表性产品。量子位智库2025年度「AI 100」榜单开启招募，分三大板块，用定量与定性结合评估体系，还公开AI产品知识库。
DeepSeek 复盘：128 天后，为什么用户流量一直在下跌？
文章深入分析DeepSeek和Anthropic策略，揭示行业计算资源稀缺难题。指出AI服务定价是延迟、吞吐量、上下文窗口三个指标的权衡，DeepSeek牺牲体验换研发，Anthropic提升‘智能密度’优化资源。
Fable 5榜单第一靠作弊？代码泄露，模型真实身份曝光
黑客泄露Claude Fable 5长达12万字符的系统提示词，揭示它并非大模型，而是伪装成LLM的完整Agent系统。这颠覆了对AI模型的认知，也让Anthropic陷入舆论漩涡，还暴露了其计费黑幕。