「元评估」共找到 1403 篇相关文章
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
170亿元产能扩张背后，存储巨头们的产能阳谋
3月25日，南亚科技完成约170亿元定向增发，铠侠等四家巨头认购。当前存储行情火爆，但巨头扩产态度不一。韩国双雄克制扩产、聚焦先进制程；美光较激进；国内厂商崛起。此轮扩产是‘理性繁荣’，也藏风险。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
刚刚，苹果首款折叠屏发布！15999元起，AI参与设计
本文是苹果秋季新品发布会的深度报道，详解苹果首款折叠屏iPhone Duo的技术设计、配置参数与国行定价，同步更新iPhone 18系列、AirPods 5、新款Apple Watch的升级亮点，以及苹果AI的最新进展。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
微信测试中心刷新业界标准，斩获 ICCV 图像质量评估挑战赛冠军
微信测试中心IH-VQA团队在ICCV 2025 MIPI赛事夺冠，其首创的iDetex方案刷新业界标准。该方案能精准定位图像失真，提升评估可解释性，已在微信多业务落地，未来将深耕多模态质量评价等领域。
大模型刷数学题竟有害？CMU评估20+模型指出训练陷阱
CMU团队评估20多个大模型，发现只有强化学习（RL）训练的模型能将数学推理技能广泛迁移到其他任务，监督微调（SFT）训练的模型迁移有限甚至无迁移。研究还探索差异原因，表明RL微调更具优势。
LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”
OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。
苹果新品发布会一览：首款折叠屏iPhone登场，售价15999元起
本文梳理了苹果2026年秋季新品发布会的全部内容，介绍了首款折叠屏iPhone在内多款新品的参数、定价、发售信息，提及苹果发布节奏调整与AI功能落地情况，信息完整清晰。
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。