「元评估」共找到 1368 篇相关文章
GPT-5「降智」真相曝光：不是变笨，而是五个超级开关没激活
新智元报道，OpenAI最新提示工程指南揭秘调教GPT - 5的方法。通过调整自主探索倾向、推理深度等五个开关，可让GPT - 5从偶尔靠谱变全能，还介绍了元提示小技巧解锁其潜力。
人大系团队、天使轮数千万元融资，境瞳科技给人类社会建一个「世界模型」
境瞳科技获数千万元天使轮融资，要给人类社会建「世界模型」。其社会模拟器已有超 1350 万个 AI Agent，是全球同类系统中规模最大、置信度最高的。社会智能赛道在硅谷已吸引大量投资，国内境瞳科技是该领域唯一产学研团队。
HaluMem：让AI记忆系统的“幻觉”现形——首个面向记忆系统的操作级幻觉评测基准
过去一年，AI Agent的‘记忆能力’成热门话题，但AI记忆存在幻觉问题。为此发布操作级幻觉评估基准HaluMem，它能精准定位幻觉来源，评估主流记忆系统，为构建可靠记忆系统提供方向。
3个月融资亿元，流形空间证明世界模型也需要预训练 | 甲子光年
2025年5月武伟创办流形空间，成立3个月获亿元融资。他认为VLA是过渡方案，世界模型是AGI新基建。当下技术分显式物理建模和隐空间交互两派，流形空间做具身世界模型，从预训练做起，还将领域模型产品化。
Claude悄悄更新了Skills生成器，这绝对是一次史诗级升级。
Anthropic的Claude悄悄更新了Skills生成器Skill - creator，此次是史诗级升级，新增评估系统、基准测试、多代理并行测试、描述调优等4个全新能力，还演示了其使用方法和效果，建议更新并优化评估所有Skills。
苹果春季新品奔着龙虾来了！AI性能暴涨8倍，8499元起
苹果发布MacBook Pro M5系列、MacBook Air M5笔记本，8499元起，还更新了显示器。新款MacBook Pro搭载M5 Pro和M5 Max芯片，AI性能大幅提升，提示词处理速度快4倍，图像生成速度快8倍，存储、续航等方面也有优化。
GPT-5得分不到0.4！法律+金融最大规模基准：1.9万+专家评估准则
新推出的PRBench基准可测AI在金融和法律领域表现。它有19356条专家评估准则，是该领域最大公开基准。顶尖大模型在困难子集得分低，还独创经济路径分析维度，约30%任务为多轮对话，揭示了AI在专业领域的不足。
浙大推出首个「多图应用题」基准GSM8K-V，全面评估 VLM数学推理能力
浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。
给文档质量"打分"：DIQA-5000 数据集与融合版面语义的 DocIQ 质量评估模型
文档图像质量评估（DIQA）是评判‘增强算法有没有把图变好’的关键工具。过去研究多围绕自然图像，缺文档专用数据集。本文提出DIQA - 5000数据集和DocIQ模型，补齐缺口。
营收破亿，光轮智能完成数亿元 A 及 A+轮融资，揭秘机器人「数据荒」背后的生意经
近日，光轮智能完成数亿元 A 及 A+轮融资，已与全球头部企业合作，年营收破亿。其创始人谢晨博士指出机器人基础模型开发存在数据短缺问题，光轮通过仿真环境生成数据，是 NVIDIA 生态核心伙伴。