「评估工具」共找到 2539 篇相关文章
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
谷歌发布智能体Scaling Law：180组实验打破传统炼金术
谷歌新论文通过180组实验找到智能体的Scaling Law（定量扩展原则），在四个基准测试评估，推导预测模型，实验结果颠覆直觉，还量化阻碍因素，发现不同模型协作性格，为智能体部署决策提供支撑。
从 Apple M5 到 DGX Spark ，Local AI 时代的到来还有多久？
近期，黄仁勋将桌面级AI超算DGX Spark交付给马斯克引发热议。同时，Apple Silicon等芯片下放端侧推理能力，本地运行时和端侧模型供给加速成熟。但本地算力等问题仍制约消费终端Local AI大众化落地。
谷歌Agent正在憋大招：AI科学家内测，锦标赛制“炼”想法，一次跑40分钟
谷歌正为Gemini Enterprise开发多智能体系统，能扮演联席科学家提炼想法，实现研究自动化。工作时以锦标赛形式评估想法，一次运行约40分钟，还准备了“想法生成”“联席科学家”等智能体。此外还有“与文档对话”功能。
分析1.8亿份招聘数据后，他告诉你AI究竟取代了哪些工作
本文分析1.8亿份全球招聘信息，发现AI不是造成大规模失业主因，影响因岗位而异。创意执行类岗位下降多，AI基建岗位增长，程序员、客服、销售较稳定，高层受冲击小，还给出评估岗位安全的建议。
AI 创作继续：Google 推出Pomelli，一款能读懂你网站气质的 AI 营销设计师
Google Labs推出AI营销工具Pomelli，可帮中小企业几分钟内创建符合品牌的社交媒体活动。流程为给其网站，它建立品牌“商业DNA”，生成活动创意和资产，用户编辑调整即可。输出仅支持英文，出海网站可尝试。
诺贝尔经济学奖背后的 AI 投资主线｜AGIX PM Notes
本文围绕诺贝尔经济学奖与AI投资展开。以创新驱动的增长范式与AI生产力、商业模式转型相关，还介绍本周全球股市去杠杆情况及AI领域动态，如Meta等公司技术进展，最后解读ETF市场价格与净值关系及投资策略。
“被投资人怒怼30分钟后，我更确定中国To B的答案” | 甲子光年
文章讲述百融云创在AI To B领域的探索。它突破传统“卖工具”模式，采用“结果计价”，共担结果、承包KPI。技术上提前押注语音对话技术栈，“硅基员工”概念落地多场景，有望推动中国To B行业进入新秩序。
没想到，32B清华DeepDive掀翻深度搜索全场的！
文章指出大模型在真实深网搜索场景表现不佳，核心矛盾是缺‘难搜’数据和多轮工具调用 RL。清华 DeepDive 用数据合成造‘难搜’题，端到端多轮 RL 训练，在 BrowseComp 刷新开源记录，迁移能力也强。
大模型追逐星辰大海，GPT和Gemini国际天文奥赛夺金
新论文以国际天文学和天体物理学奥林匹克竞赛 (IOAA) 为基准测试，证明 GPT - 5 和 Gemini 2.5 Pro 能在天文奥赛获金牌。研究还分析不同模型表现、与人类成绩对比及错误类型，强调需全面评估模型科研潜力。