「检测方法评测」共找到 2264 篇相关文章
「Next-Token」范式改变！刚刚，强化学习预训练来了
微软新研究提出「强化预训练（RPT）」新范式，将下一个 token 预测任务重新定义为推理任务，可利用海量文本数据进行通用强化学习。该方法有可扩展性、低风险等优点，实验显示其提升了语言建模能力。
360开源高质量图文对齐数据集！收纳1200万张图像+1000万组细粒度负样本，让模型告别“图文不符”
360人工智能研究团队的冷大炜博士团队开源FineHARD高质量图文对齐数据集，包含1200万张图像、4000万个边界框及对应描述、1000万组细粒度难负样本，能提升模型图文对齐能力，还介绍了构建方法、分析及应用前景。
谷歌开源移动端AI自动化测试神器
本文介绍谷歌最新开源的移动端AI自动化测试工具ARTEMIS，它可将自然语言指令转化为Android自动化操作，支持跨App测试、多模态定位，在AndroidWorld基准评测中取得99%+任务完成率，提供多场景使用方式，可一键快速上手。
一个Skill让DeepSeek V4 Pro超越Fable 5？热门插件被锤了
前两天J-Space凭夸张测试结果刷屏，宣称一份Skill接入Agent环境，能让V4 Pro在多基准大幅提升，部分成绩超Fable 5。但社区复测结果相反，作者未公开完整评测记录，还删质疑帖，引发公开打假。
我在Seko 3.0里敲了个「/」，它把导演调了出来
商汤在WAIC发布Seko 3.0，这是一个AI短剧和漫剧创作平台。它把导演变成可调用的能力，将创作者方法封装成Skill。作者通过实验对比，证实Skill核心在工作纪律，该平台还支持成片制作，且有创作者产业基地。
Stripe 发布基准测试：AI 智能体可开发集成方案，但校验环节存在短板
Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。
独家｜浙大00后世界模型创业，完成新一轮亿元融资，已在多个产业领域实现交付
2021年浙大陈天润成立魔芯科技，早期围绕AI驱动3D内容生成。2024年底转向3D场景建模和世界模型，走纯隐式方法。团队年轻有优势，已产生收入，完成融资，将推新模型，目标是实现‘3D的ChatGPT时刻’。
超越Claude Mythos和GPT-5.5！斯坦福Agent验证框架拿下SOTA，Transformer作者转发
斯坦福、伯克利与英伟达联手打造LLM-as-a-Verifier验证框架，该方法是通用验证机制，可与任意Agent Harness和模型结合。研究表明扩展验证阶段计算量，能提升Agent整体性能，在多基准测试中超越Claude Mythos和GPT - 5.5。
Life of a Token：像调试代码一样看懂大模型如何生成 Token
文章类比 Chrome 的 Life of a Pixel，追踪 LLM 里 token 从输入到输出的全程。以 GPT - 2 Small 为例，详细讲解其管线各阶段，如 Tokenization、Embedding 等，还介绍了残差流、KV Cache 等概念及 GPU 性能瓶颈和优化方法。
ICLR2026｜东方理工大学、上海交通大学等：GenSR：把“离散的公式搜索”变成“连续的地图寻优”
符号回归（SR）目标是从观测数据自动发现数学表达式，但经典方法在离散方程空间搜索有局限。东方理工与上海交大团队提出GenSR，将方程世界重参数化为连续隐空间，用双分支CVAE构造并搜索，实验效果良好。