「系统评估」共找到 2301 篇相关文章
CUDA-MODE第77课课程笔记：用于GPU kernels的DSL
该课程笔记由Tri Dao介绍GPU kernel开发的DSL生态，涵盖PyTorch、Triton、Cute - DSL等。提出计算效率评估公式，对比不同DSL在Softmax、GEMM等操作的性能。还提及其他DSL工具与Triton扩展项目，并给出使用建议。
专治智能体盲跑！微软发布AI Agent 5大可观测性，打通任督二脉
今天凌晨微软官网发布AI Agent 5大可观测性最佳实践，解决智能体盲跑等难题。介绍了智能体可观测性概念和好处，展示5个应用案例，还阐述5大实践，如选模型、持续评估、集成CI/CD等。
老外给中国 AI 开源厂商打分：第一梯队是 DeepSeek 和 Qwen。
Nathan Lambert发布“中国开源模型开发商排名”，评估19家实验室贡献，第一梯队是DeepSeek和Qwen。还介绍字节跳动豆包、小米、百度文心一言发展情况，如豆包月活全球第二，小米模型效率突破，文心一言企业应用领先。
无需训练的LLM对齐方法综述
大型语言模型应用引发担忧，传统微调方法有短板，免训练对齐（TF Alignment）应运而生。本文是首篇系统综述TF对齐技术的论文，提出三阶段分类框架，实验显示TF方法优势明显，还指明未来研究方向。
超低标注需求，实现医学图像分割！UCSD提出三阶段框架GenSeg
GenSeg用AI生成高质量医学图像及对应分割标注，在仅有几十张样本时也能训练出媲美传统深度模型的分割系统，显著降低医生手工标注负担。它是通用、与模型无关的框架，可集成到现有分割模型。
百度 TURA 三阶段架构：让 AI 检索 “动” 起来
现有检索增强生成（RAG）系统只能读取已索引的静态网页，无法满足用户实时数据需求。百度 TURA 架构用工具调用将 RAG 升级为动态交互，分检索、规划、执行三阶段，已在百度亿级流量场景跑通。
LLM-based Agent的代码生成综述
这篇2025年的综述指出，传统代码生成技术难完成复杂开发任务，而基于大语言模型（LLM）的代码生成代理应运而生。它把LLM作为“大脑”，具备自主规划等能力。文章梳理了该领域的核心特征、技术体系、应用实践等，也剖析了挑战与未来方向。
MLLM集体翻车，缺乏婴儿级常识！业界首个核心认知基准发布，LeCun转赞
当前大模型在12项核心认知上普遍落后人类10 - 30%，越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库，用Concept Hacking方法识破模型真假理解，指出模型存在核心知识缺失等问题。
一文全解析：AI 智能体 8 种常见的记忆（Memory）策略与技术实现
本文剖析8种常见AI记忆方案，如全量记忆、滑动窗口等，分析其原理、特点和适用场景，还给出模拟代码助理解。不同策略各有优劣，适用不同对话场景，能为项目评估、选择和实现Memory方案提供参考。
DeepSeek-R1超级外挂！“人类最后的考试”首次突破30分，上海交大等开源方案碾压OpenAI、谷歌
上海交大联合深势科技团队发布新研究，在“人类最后的考试”（HLE）上获32.1分创纪录。团队推出工具增强推理智能体X - Master、多智能体工作流系统X - Masters并开源，方案表现优于OpenAI、谷歌相关模型。