「双维度评估框架」共找到 2373 篇相关文章
OpenClaw 火了半年，Agent 执行层依然是工程空白
当前主流 Agent 工具链执行层基本空白，Violoop 是少数在执行层做系统化设计的项目。它是桌边触屏硬件，获取三类运行时数据，具备感知 - 判断 - 执行运行时，有多种核心能力，适合特定场景团队评估。
如何定义“人味儿”？——HeartBench评测体系建设实践
在大模型竞争格局生变，情感智能评测缺失的背景下，作者团队发布聚焦AI拟人化的中文评测体系HeartBench，介绍其设计、评估方式、迭代过程等，还沉淀了评测体系构建方法论及专家标注管理思考。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。
凌晨三点写代码、10个 Agent 同时跑！ClawdBot 创始人自曝 AI 上瘾史：Claude Code 入坑，Codex 成主力
本文讲述 ClawdBot 创始人 Peter Steinberger 的开发经历。他曾打造知名 PDF 框架，后经历倦怠回归，借 AI 重塑开发方式。分享入行故事、用 AI 编程的日常及构建 ClawdBot 的过程，探讨软件工程变化及对新人的建议。
这么哇塞的世界模型，竟然是开源的！
蚂蚁灵波开源通用世界模型LingBot-World，视觉效果与Genie 3不相上下且时间维度更长，能让用户深度参与，还具备一致性、记忆力等特点。它通过数据和模型层面创新炼成，结合此前开源成果构建具身智能基础设施。
老黄All in物理AI！最新GPU性能5倍提升，还砸掉了智驾门槛
英伟达CEO黄仁勋在CES 2026发布AI新品，全力搞AI。推出下一代Rubin架构GPU，性能大幅提升；发布五大领域成果，含新模型家族、平台等；还开源训练框架与多模态数据集，国产开源模型被提及。
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
实测GPT Image 1.5，拼尽全力还是没能打败Banana。
作者实测OpenAI新发布的GPT Image 1.5，将其与Google的Banana Pro对比，从信息准确性、真实质感、精准编辑、世界知识四个维度评测，发现GPT Image 1.5有提升但仍有不足，Google进化速度惊人。
深度讨论 Gemini 3 ：Google 王者回归，LLM 新一轮排位赛猜想｜Best Ideas
近期，OpenAI、Google、Anthropic 先后发布新模型，引发大模型竞赛。本文聚焦 Google 发布的 Gemini 3，从算力、数据、架构等维度剖析其强大原因，探讨大模型竞争新格局，还涉及多模态、硬件、商业化及产品形态等方面。