「评估指标」共找到 945 篇相关文章
Scaling没有墙！Anthropic CEO：AI实验室真相远超公众想象
Anthropic CEO Dario Amodei在摩根士丹利会议称Scaling Law未撞墙，2026年将激进加速。他用棋盘稻米寓言比喻，称当前处第40格，前39格增长只是前奏。还透露代码生成是AI能力爆发指标，Anthropic或在RSI取得进展，且重视人才文化。
美国ATOM报告：Qwen称霸武林，中国统治开源世界
美国ATOM报告显示，2025年夏中国开源语言模型超美国，下载、使用量差距显著。Qwen成王者，DeepSeek在大模型领域表现出色。新势力如Nvidia、OpenAI等也在追赶，报告引入新指标衡量模型热度。
阿里 Qwen3-TTS 两大更新直接封神！支持跨物种音色克隆，3 秒复刻！
阿里通义上线 Qwen3-TTS 两大核心能力，VoiceDesign 支持全文本控制音色特征，VoiceClone 能 3 秒音频跨语言、跨物种克隆音色。更新指标亮眼，如 0.1 秒级生成速度等，还可上手体验。
一份最新具身智能中的世界模型&安全综述
本文分享2篇具身智能世界模型和安全挑战的综述。2025年10月的综述用三维坐标轴整合文献。还介绍世界模型分类、性能表现，围绕自动驾驶与机器人领域分析安全隐患并实证评估。
从 Shopify 构建 Agent 的经验中可以学到的
Shopify 分享构建 Agent 经验，采用主流 Agentic Loop 架构。给出4条打造 AI 智能体核心建议，还指出工具控制在20个内，可用 SubAgent 分摊上下文；用人类标记结果作基准让 LLM 评估 Agent 生成结果。
ICCV 2025 | 机器人自主探索未知复杂空间？GLEAM破解主动探索建图的泛化难题
文章聚焦机器人在未知复杂空间的自主探索建图难题。香港中文大学与上海人工智能实验室联合提出GLEAM，搭建GLEAM - Bench基准，设计通用策略，实现零样本适配未知空间，在多指标上超越先前方法。
75%预训练数据都能删！Jeff Dean新作：全自动筛除低质量数据
Google DeepMind团队开发的DataRater可全自动评估数据质量，用元学习筛选有价值数据，提升模型训练效率。它能减少计算量、提高性能，在低质量数据集效果佳，还能跨模型规模泛化。
打破资源瓶颈！华南理工&北航等推出SEA框架：低资源下实现超强多模态安全对齐
本文介绍北航彭浩团队的 SEA 框架，针对多模态大模型低资源安全对齐难题，用合成嵌入替代真实数据，突破资源瓶颈。还构建 VA - SafetyBench 评估安全风险，实验验证了 SEA 低资源、高泛化优势。
33%！Claude、GPT、Gemini 在真实网站上集体翻车，ClawBench 把 AI agent 打回原形
ClawBench让AI在144个真实网站执行153个日常任务，结果惨烈，如Claude Sonnet 4.6每三任务翻车两个，GPT - 5.4仅完成10个。它还揭示AI在真实环境的问题，为评估模型提供标尺。
第六章 Coding优先编的是「过程与约束」,不是「参数」
本章以开面包店类比训练大模型，介绍 AutoResearch 自主实验框架。它将研究生助理工作循环交给 Agent，在固定时间用单一指标判断好坏。仓库获约 64.7K Stars，Karpathy 设计哲学为极简主义与固定约束。