「独立测评」共找到 344 篇相关文章
4B模型幻觉抑制能力超越GPT-5，CMU等提出行为校准强化学习新方法
大语言模型幻觉问题是部署难题，CMU等研究人员提出行为校准强化学习新方法，重新设计奖励函数。经训练，40亿参数模型幻觉抑制力超GPT - 5，实验证明该方法效果显著，还带来理论洞察。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
SubAgent 与 Skills：AI Agent 的两种扩展方式
文章介绍了 AI Agent 的两种扩展方式：Skills 是“操作手册”，让 Agent 按需获取知识；SubAgent 是独立“专家助手”，有自己的上下文窗口。还通过给文章配图案例对比两者差异，并给出使用建议。
腾讯混元数字人团队发布Moral RolePlay基准，揭秘大模型的「道德困境」
腾讯混元数字人团队和中山大学推出「Moral RolePlay」测评基准，评估大模型扮演多元道德角色能力，揭示顶尖AI模型演不好反派，暴露模型理解社会心理复杂性的局限，还给出未来对齐技术方向。
OpenAI 将推出群聊功能，终于要对 Slack 下手了
据爆料，ChatGPT 网页版将推出群聊功能预览版。群聊可通过链接分享，新成员能看历史记录，自定义指令独立，还有表情反应等交互功能。OpenAI 或借此获取对话数据，有取代 Slack 之意。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
230个大模型在婴幼儿认知题上集体翻车！揭秘多模态大模型的核心知识缺陷
ICML 2025研究揭示多模态大模型在基础认知能力上表现不佳。研究者建测评题库CoreCognition测试230个主流模型，发现其存在核心知识缺陷，扩规模难补短板，还需补齐核心知识。
炸裂黑科技，脑波沟通来了！AlterEgo让你在大脑中发声
AlterEgo是一种非侵入式、可穿戴的外围神经接口，能让人用自然语言与机器等交流，无需发声。它始于2018年MIT媒体实验室，2025年初独立运营，可用于帮助语言障碍者，还能融入日常生活。
00后以1.1亿美金「掀桌」，硅谷AI将书写影视新传奇 终结制片旧时代
00后Cecilia Shen创立的Cybever转型为AI原生影视工作室Utopai Studios，首年获1.1亿美元收入。其技术经四个阶段进步，能生成高质量3D虚拟环境，还带来两部大剧，有望改变影视行业格局。
竞购 Chrome，正面竞争 OpenAI，Perplexity 为什么要做 AI 浏览器？
今年 Perplexity 推出 AI 原生浏览器 Comet，OpenAI 也计划发布浏览器，Perplexity 还出价 345 亿美元收购 Chrome。文章梳理了 Perplexity CEO 观点及 a16z 测评，介绍 Comet 特点、目标、优势，还对比了 Comet 与 Dia。