「直播测评」共找到 306 篇相关文章
CVPR2025视频生成统一评估架构，上交x斯坦福联合提出让MLLM像人类一样打分
Video-Bench视频评估框架由上海交通大学、斯坦福大学等团队提出，能让MLLM像人一样评估视频。它构建双维度评估框架，引入链式查询和少样本评分技术，突破现有评估方法限制，更全面智能地评分。
新版DeepSeek R1你得这样用，太爽啦~
前几天DeepSeek R1悄悄更新，作者测评发现，起初用复杂提示词，它比Claude4有明显差距；换成一句话提示词，生成效果质的飞跃，代码能力大幅提升接近Claude4，写作小提升，数学能力提升不大。
国内“内卷”没用，企业怎么靠AI出海获利？
InfoQ《极客有约》X AICon 直播探讨中国技术出海破局增长。嘉宾认为企业要判断国内经验能否迁移海外，还分享出海成功案例，给出战略选择建议，如先欧美后国内等，还提及验证产品的关键指标。
这个 Agent Team，终于不是"角色扮演"了
作者测试了 MiniMax 新出的 Agent Team，通过深度研究公司、整理会议逐字稿、做直播数据分析三个测试，展现其优势。指出 Agent Team 核心是对抗式质量门禁，是复杂任务兜底系统，而非简单 prompt 编排。
必须得让AI明白，有些不该碰的东西别碰（doge）
近期类o3模型在视觉推理任务表现优异，但陷入‘盲目用工具’状态。港中文MMLab等团队提出AdaTooler-V模型，具备自适应工具使用能力，还引入指标、算法，构建数据集，在多基准测评中优势明显。
硬件只是入场券：AI可穿戴的百万销量背后，软件与场景才是终极战场
InfoQ《极客有约》X AICon 直播探讨 AI 硬件进阶。Plaud、Rokid 等企业代表认为，AI 硬件成功关键在于早布局、结合需求与设计。软硬件一体是核心，可在传统硬件难胜任场景脱颖而出，多模态交互有挑战也有应用。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
颜水成领衔，给AI分段位！超100款多模态模型，无人达到L5
十所顶尖高校联合发布General - Level评估框架和General - Bench基准数据集，用五级分类制明确多模态通才模型能力标准。评估超100款模型，发现多数在L2 - L3，无L5模型，揭示当前模型不足。
从“会用”到“驾驭”：AI Coding 进入生产环境的真实碰撞
InfoQ《极客有约》X AICon 直播栏目，邀网易游戏林香鑫等探讨 Coding Agent 重构软件工程环节。嘉宾分享了 AI Coding 在生产环境的变化、MCP 等概念作用、代码质量保障、Agent 权限及 AI 原生研发体系建设等观点。
实测腾讯云 AndonQ：号称比肩原厂技术专家的 “领域虾”，到底有多能打？
文章实测腾讯云 AndonQ，它号称全球首款 ITSM“领域虾”，可适配主流“虾”类工具，集成至 IM Bot。测评显示其成本低、上手轻量，在架构选型、故障排查等场景表现出色，将 ITSM 体系浓缩到对话框。