「评测实践」共找到 1138 篇相关文章
多模态RAG哪家强？9 个 Embedding、4 类 MLLMs、4 大框架实景比拼
现有文档 RAG 评测存在不足，华南理工和华科推出 DOUBLE - BENCH 进行多模态 RAG 实战评测，结果显示检索是瓶颈，模型爱胡说。快手开源 Keye - VL - 1.5 - 8B，PaperAgent 有实操指南。
中国第一批没有论文的工科博士毕业了
国内推出实践型博士学位，不看论文，只认硬核实践产出。自去年9月以来，至少11人获此学位，分布多领域。这一制度由《学位法》推动，且清华创新领军工程博士如周鸿祎也适用。
OpenClaw大考！上海AI Lab InternLM团队WildClawBench 60题，把「龙虾」AI打回原形
上海人工智能实验室InternLM团队推出WildClawBench，含60道高难度任务，在真实OpenClaw环境端到端评测AI Agent。评测涵盖多类别任务，已测14个模型，国产模型表现亮眼，项目开源可复现。
飞书MCP不好用？我一天自研了人生教练MCP （v3.0）｜ 附：我的AI启发
作者因飞书MCP更新与期望不符，花一天自研人生教练MCP组件。介绍了人生教练Agent特点，还给出启动方法，最后分享在MCP实践中发现的AI趋势及实践总结。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
浅谈上下文工程｜从 Claude Code 、Manus 和 Kiro 看提示工程到上下文工程的转变
文章围绕上下文工程展开，介绍其概念、组成与提示工程区别，通过演示说明价值。还分析业界产品实践，如LangChain管理方法、Claude Code架构机制、Manus优化实践、Kiro开发模式，最后展望环境工程。
AI Coding后端开发实战：解锁AI辅助编程新范式
文章指出AI Coding应用中开发者存在认知误区，基于实践为后端开发者提供使用指导。涵盖个人上下文管理、输出质量判断等内容，介绍核心使用流程，涉及项目开发、脚本处理等场景及最佳实践。
GPT-6发布，OpenAI说AGI时代来了
北京时间9月4日凌晨，OpenAI发布GPT - 6 Astra，虽发布过程狼狈，但该模型在多项评测中表现出色，如数学评测、电脑操控等，但编程类任务未全面领先，且网络安全方面部分功能被限制。
YC最新总结顶尖的提示词应该怎么写？
提示工程在大模型时代愈发重要，其核心在于提示词设计。近日，YC在播客分享从与大模型创业公司学到的提示工程实践，涵盖核心原则、进阶技巧、企业级实践、创业者模式等内容。
开源对机器人的价值，远超大模型时代的想象丨唐文斌深度对谈抱抱脸创始人
Dexmal联合创始人唐文斌与Hugging Face联合创始人Thomas Wolf指出当前机器人研究痛点，联合推出开放、统一、可复现的真实世界机器人评测平台RoboChallenge.ai，探讨开源对机器人的价值、评测平台搭建等问题。