「科学评测」共找到 893 篇相关文章
大模型结构化推理优势难复制到垂直领域！最新法律AI评估标准来了，抱抱脸评测集趋势第一
多个机构研究人员联合发布全新多语言法律推理基准数据集LEXam，它含4886道题，每道长篇题有答案和推理路径。研究显示现有大模型应对法律推理难，LEXam引入评估新模式，还对不同模型做了测试。
突发！谷歌 AI 大换血：Hassabis 卸任 CEO、Jeff Dean 离职创业
谷歌 AI 高层大换血，Demis Hassabis 卸任 Google DeepMind 的 CEO 转任主席兼 Alphabet 首席科学家，传奇工程师 Jeff Dean 离职创业，创办 Discovery Loop 做「自动化科学发现」。
Anthropic 发文称自家 Claude 已经开智，网友：为了上市，不择手段？
Anthropic发布Claude内部机制新研究，介绍J-space和J-lens，称可读取模型未输出的内部概念。此研究在训练、评测和部署有潜在价值，但叙事引发争议，网友质疑是否过度包装。
DiT突遭怒喷，谢赛宁淡定回应
扩散模型核心基石DiT遭网友质疑，称其数学和形式有误，甚至怀疑无Transformer。作者谢赛宁回应抨击标题党，强调科学精神与实证方法，还肯定Tread，推荐Lightning DiT版。
ECCV 2026 | 智能助手何时该主动开口？Vinci2让第一视角AI助手从「有问必答」走向「主动服务」
现有第一人称视频助手难以自主判断何时介入服务用户。大连理工大学等团队提出Vinci2，含评测基准EgoServe和智能体EgoMemo。它已被ECCV 2026接收，代码和标注均开源。
刚刚，Thinking Machines出手！首款交互模型来了，翁荔出镜实测
Thinking Machines Lab推出首个大模型TML - Interaction - Small，打破传统人机交互模式，实现全自然交互。它训练范式独特，采用双模型架构等设计，评测表现超GPT - Realtime 2.0等模型，后续还会推出更大尺寸模型。
π0引用的中国团队，又出手了：世界仿真器新作发布
Current Robotics团队发布交互式世界仿真器CurrentWorld - 0，创始人祝毅晨履历亮眼。该仿真器能跨本体、多视角、力 - 触觉预测，可用于评测机器人，还能让人类接管以探索不同动作结果。
刚刚，Anthropic 又出新货：Claude Opus 4.1 发布，代码、推理能力再升级
Anthropic发布Claude Opus 4.1，是对Opus 4的小升级，提升智能体任务、代码处理和推理能力。付费Claude用户等已可用，价格不变。在编程评测表现佳，获多方好评，官方建议升级。
OmniInsert：全新无掩码视频插入技术
基于扩散模型的视频插入技术发展快，但以往方法有局限。字节提出InsertPipe和OmniInsert，解决数据不足等难题。OmniInsert设计巧妙，还建立评测平台InsertBench，虽有小问题，但推理快，可加速优化。
姚顺雨提到的「AI下半场」，产品评估仍被误解
OpenAI研究员姚顺雨提出「AI下半场」重点转向定义问题，评估重要性超训练。亚马逊Eugene Yan发文补充，指出产品评估常被误解，应运用科学方法，践行评估驱动开发，自动化工具也需人工监督。