「产品评估」共找到 2246 篇相关文章
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
告别“一眼定生死”：Agent-as-a-Judge 开启 AI 评估的下半场
过去两年，LLM-as-a-Judge成评估界“黄金标准”，但面对复杂任务力不从心。论文《A Survey on Agent-as-a-Judge》指出，应从单一的大模型裁判进化为具备行动能力的智能体裁判，还阐述了其优势、发展阶段等。
出海企业苦等的可信任AI营销产品，飞书深诺做出来了
出海生意进入困难模式，不少企业寄望于AI，但现有AI营销产品难达预期。飞书深诺推出Marvy 2.0，将出海营销全流程装进系统，具备技术优势，有13年业务经验等，还计划推Marvy Lite，助力全球数字营销平权。
OceanBase全面拥抱AI！首发PowerRAG产品，CTO杨传辉详解AI战略
OceanBase在第三届开发者大会发布面向AI的应用产品PowerRAG，CTO杨传辉解释其AI战略，即构建Data×AI能力，推动一体化数据库向一体化数据底座演进，这对行业发展有推动作用。
云栖大会演讲实录：Qoder 产品背后的思考与未来发展
这是云栖大会上关于 Qoder 产品的演讲实录。Qoder 是阿里推出的 Agentic 编程平台，上线一月收获数十万用户。介绍了 AI Coding 三阶段，阐述 Qoder 定位、功能模式、技术优势，展望 AI Coding 未来。
面向业务落地的AI产品评测体系设计与平台实现
文章聚焦淘宝闪购技术部AI产品评测，先介绍AI业务应用场景与评测挑战，接着阐述评测体系从多方面思考的要点，包括评价维度、评测方式等，还提及平台建设成果，最后展望未来多模态评测等规划。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
Agent产品，快者为王？Anthropic 和 Databrick CEO 对话解读
Anthropic和Databrick以「人工智能的未来：面向各领域的专用Agent」为主题举办线上峰会，两家公司CEO Dario Amodei和Ali Ghodsi对谈，分享Agent未来、相关合作等话题，还探讨数据价值、治理风险及AI应用迭代等问题。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
当 AI 产品卷向同质化，支付成为最后的增长杠杆
AI应用商业化进入新阶段，头部效应显现，竞争同质化严重。支付成为关键变量，其复杂性远超预想，支付失败损耗大。优化支付需系统诊断，它是商业化基础设施，影响营收。全球支付格局复杂，Payinsider助力企业搭建支付架构。