「测试评估集」共找到 2697 篇相关文章
AI操作有了“紧急刹车”！通义&自动化所AI决策诊断模型，GUI智能体纠错正确率SOTA
阿里通义实验室与中科院自动化所推出GUI - Critic - R1模型，能在GUI智能体操作执行前诊断决策，避免错误。介绍了其动机、方法、数据集及实验，证明该模型在生成判断和提建议方面有效。
生图效果媲美GPT-4o，一键搞定各类视觉生成任务丨港科广&字节全新框架
港科大（广州）和字节联合推出开源框架ComfyMind，它是通用视觉生成框架，能统一处理主流视觉生成任务。其性能超现有开源方法，媲美GPT - 4o - Image，还介绍了架构、接口等及性能评估情况。
Mamba 架构实现推理性能超 Gemma3-27B！推理模型开始迈入「无注意力」时代
PromptCoT - Mamba是首个具解码显存常量等特性且推理能力强的模型。当前推理大模型中注意力机制有局限，PromptCoT - Mamba实现无注意力推理，在多评测集超Transformer等模型，为无注意力推理生态奠基。
Qwen3新成员：Embedding系列模型登场！
今天正式发布Qwen3-Embedding系列模型，专为文本表征等任务设计，继承Qwen3多语言理解优势。在多项基准测试表现卓越，已在多平台开源，有卓越泛化性、灵活架构与多语言支持等特点。
大模型的新战场在推理？——《推理模型综合测评报告 2025》深度解析 | 直播预告
5月29日，InfoQ研究中心发布《推理模型综合测评报告2025》，通过五大维度、五大题型的300道测试题对八家主流推理模型全面测评，还总结各维度表现，梳理技术前置因素与趋势。6月6日有直播解读。
一周两破18年数学纪录！陶哲轩惊叹：AlphaEvolve带来久违「加速度」
人类数学家与AlphaEvolve携手，一周内两次刷新18年未破的数学纪录。先是AlphaEvolve将和差集的θ下界提升，后人类数学家Gerbicz在其基础上再进一步，展现AI与人类协作在数学研究中的惊人潜力。
函数向量对齐技术，让大模型持续学习不“失忆”丨ICLR 2025
中国科学技术大学等校团队破解大语言模型灾难性遗忘之谜，发现遗忘源于模型激活带偏差新功能，非覆盖旧功能。还设计FVG训练法，保留并对齐函数向量，保护模型能力。相关论文被ICLR2025接收，代码开源。
全球首个AI智能体「自进化」开源框架来了！一次部署，终生可用
英国格拉斯哥大学团队发布全球首个AI智能体自进化开源框架EvoAgentX，打破传统多智能体系统构建与优化限制。它有自动化构建、自进化机制和系统性评估亮点，实验验证其性能提升显著。
微软发布NLWeb：把任何网站变成AI应用的秘密武器！
微软在Build 2025大会发布开源项目NLWeb，基于MCP构建，能让任何网站秒变AI应用。它是开放协议和工具集，可添加自然语言对话界面。与其他协议对比有优势，已有组织试用，不过企业采用态度不一。
40位数学家组成8队与o4-mini-medium比赛，6队败北
Epoch AI安排40位数学家组成8支战队，与OpenAI的o4 - mini - medium模型对决，考题来自高难度的FrontierMath数据集。结果AI以6:2击败人类，不过Epoch AI认为AI未明显超人类，但很快会达到。