「评估标准」共找到 1007 篇相关文章
大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准
现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。
顶尖技术+标准产品+创新模式+可靠服务，打造大模型商业落地中国范式 | 卓世科技@MEET2026
在大模型参数竞赛白热化的当下，焦点转向模型如何在行业存活、产生价值。卓世科技合伙人赵策在MEET2026大会提出，大模型下一场竞争在模型、终端、数据与业务流闭环，该司据此在多领域落地应用。
ACL 2026 | OPeRA Dataset: LLM真的能模仿人类行为了吗？首次系统评估LLM的人类行为模拟能力
美国东北大学等机构研究者提出OPeRA数据集，采集真实用户在线购物行为，支持系统评测LLM个体化行为预测能力。实验显示当前主流LLM在模拟人类行为上表现有限，揭示其能力边界。
标准化3D生成质量榜单来了！首创层次化评价体系，告别“谁的demo更吸睛”主观评估
Hi3DEval团队推出面向3D内容生成的全新层次化自动评测体系Hi3DEval，设计对象级、部件级与材质主题三层评测协议，在HuggingFace发布首期3D生成榜单，涵盖30个主流与前沿模型。
联手诺基亚入局6G，老黄要制定全球标准！GTC最新演讲揭秘：「美国科技的未来」就靠这6张王牌
老黄在华盛顿 GTC 大会演讲，英伟达要和诺基亚合作干 6G，重新构筑世界通信系统。演讲涉及 6 大核心，包括利用物理人工智能和数字孪生技术重塑美国工业化等，还介绍了加速计算、AI 变革等多方面内容。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。
2小时入门「个性化联邦学习」，上交清华开源斩获1700+星 | JMLR'25
上海交通大学和清华大学研究人员开源个性化联邦学习代码库PFLlib，含39种算法、3种场景和24个数据集，支持模拟500设备训练，还有隐私保护评估工具，降低研究门槛。
AI实力榜大洗牌！OpenAI谷歌强势领跑，Anthropic节节败退
Poe最新报告显示，2025年1 - 5月AI各领域市场份额大洗牌。OpenAI和谷歌势头猛，Anthropic掉队。文本生成、推理、图像等各领域竞争激烈，企业需搭建评估体系，按需选模型。
The Batch: 871 | Mistral测量了大语言模型的能耗、水耗与物料消耗
法国AI公司Mistral发布对Mistral Large 2的环境分析报告，涵盖全生命周期影响。研究表明单次使用影响小，但累计负担大。虽研究有不足，但其方法或推动环保型AI发展。
重磅！OpenAI深夜发布GPT-6 Astra，总裁Brockman：这就是AGI
OpenAI发布GPT-6 Astra，总裁称实现了AGI。它在多基准测试成绩优异，能独立完成复杂工作，网络安全能力强。但推理难监控，其即日起向特定机构开放，有使用价格标准。