「长青评估机制」共找到 1558 篇相关文章
Notion、Stripe 都在用的 Agent 监控，Braintrust 会是 AI-native 的 Datadog 吗？
当 Agent 迈向产品化，开发者面临观测、评估和优化黑箱系统的挑战。Braintrust 由 Ankur Goyal 于 2023 年创立，重塑 Observability，提供 Eval 和 Ship 模块，获多家头部公司青睐与投资。文章从多方面剖析其能否成 Agent 时代‘新 Datadog’。
大模型自信心崩塌！谷歌DeepMind证实：反对意见让GPT-4o轻易放弃正确答案
谷歌DeepMind携手伦敦大学研究发现，GPT - 4o、Gemma 3等大语言模型有“固执己见”和“被质疑就动摇”并存的冲突行为，原因与训练、决策逻辑、记忆机制有关。研究还通过两轮实验证实。
OpenAI研究大模型对GDP贡献，三大行业已能代替人类，并自曝不敌Claude
OpenAI推出新评估方法GDPval，跟踪模型在现实任务表现。评估显示前沿模型接近专家水平，Claude Opus 4.1表现最佳，GPT - 5准确性出色。还发布黄金子集和评分服务，其处于起步阶段将持续扩展。
清华大学AI4S研究新进展：让科学智能体发现公式、探索机理
清华大学电子工程系团队在AI for Science领域取得两项新进展，提出可复用的智能体符号回归运行时框架SRHarness，构建机制发现评测基准MechBench，推动AI科学发现从拟合观测走向理解机制。
评测也很酷，Data Agent 自动化评测的三层框架与实战
在大模型技术飞速发展下，评估应用效果成难题。字节跳动尹小明分享自动化评测技术，提出三层评测框架，还介绍 Text - to - SQL 及深度研究评测改进，以及评估平台建设，最后展望自动化评测未来方向。
DeepSeek-V3.2-Exp：用稀疏注意力打破长文本效率瓶颈
在NLP领域，处理长文本时传统注意力机制效率低。DeepSeek团队推出DeepSeek-V3.2-Exp模型，引入稀疏注意力机制，在保持性能同时提高长文本处理效率，降低计算复杂度，在多基准测试中表现良好。
ACL 2025预定爆款！HyperGraphRAG横扫5大领域，检索效率提升7倍
文章介绍HyperGraphRAG模型，它由知识超图构建、超图检索策略、超图引导的生成机制三部分组成。构建含知识超图构建、超图检索、生成机制等步骤，能提升检索效率与答案质量，或成ACL 2025爆款。
上交大 x vivo 团队：一个简单改动，让 diffusion 全面提升丨CVPR 2026
上交大与 vivo 团队提出 C²FG 方法，针对当前 diffusion 模型缺稳定可控生成机制问题，通过 score 差异实现动态引导控制。实验显示，该方法能提升多维度指标，改进生成分布，揭示生成机制新方向。
Meta开始用KPI考核，强迫所有员工尽可能多使用AI
Meta从面试到绩效评估全方位推动员工使用AI。招聘允许用AI助手，2026年绩效评估将纳入“AI驱动的影响”，还推游戏和绩效助手鼓励员工用AI，这也是硅谷科技巨头的大势所趋。
MMAR与AudioTrust技术解读，音频大模型评测前沿进展分享 | AI Bench Talk直播预告
司南评测集社区 CompassHub 收录多维度评测集。此次 AI Bench Talk 直播聚焦音频大模型，将分享评估其深度推理能力的 MMAR 及全方位可信评估框架 AudioTrust，还设圆桌讨论多模态/音频大模型相关议题。