「大模型评估」共找到 9429 篇相关文章
超越DeepSeek-R1，数学形式化准确率飙升至84% | 字节&南大开源
字节跳动Seed团队与南京大学联合发布CriticLean框架，将数学自然语言到Lean 4代码的形式化准确率从38%提升至84%。该框架创新性地将评估模型置于核心，解决语义对齐等问题，还构建了相关基准测试和数据集。
英伟达员工晒年终奖，黄仁勋霸气签皮衣；Moltbook爆火：当AI有了自己的社交网络；又一“95后”清华天才科学家庞天宇加盟腾讯混元 | Q资讯
本文汇总 AI 行业热点，有 Moltbook 成 AI 社交平台且爆火；OpenAI 两款产品用户流失；亚马逊、Meta 裁员；英伟达年终奖、合作协议情况；阿里发布千问新模型；还有大厂春节发红包竞争，DeepSeek 布局新领域等消息。
没想到，32B清华DeepDive掀翻深度搜索全场的！
文章指出大模型在真实深网搜索场景表现不佳，核心矛盾是缺‘难搜’数据和多轮工具调用 RL。清华 DeepDive 用数据合成造‘难搜’题，端到端多轮 RL 训练，在 BrowseComp 刷新开源记录，迁移能力也强。
Qwen3.8-Max首发上线阿里千问AI平台，API服务与Token Plan同步开放
今日，阿里巴巴发布新一代基座大模型Qwen3.8，千问AI平台首发其Max版API服务与Token Plan。Qwen3.8参数量2.4万亿，性能居前列，推理快且能自主编程。API性价比高，平台还为Token Plan用户提供优惠。
重复一下提示词，Gemini准确率竟从21%飙升至97%！
Google Research团队研究发现，重复提示词可让Gemini准确率从21.33%升至97.33%。该策略能提升主流大模型非推理任务表现，在多模型多基准测试中优势明显，且不增加延迟。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
Harness已过时，OpenAI、腾讯在搞下一个AI爆点RSI
本文解读Theseus Labs发布的RSI行业分析报告，该报告汇总全球72家头部AI团队公开资料，提出RSI五级自主权框架与HCI评估指标，梳理大厂进展与产业落地实践。
88天登录193次！顶级证据+循证医学，让500万中国医生拥有「神助攻」
国内医生面临高负荷工作与医学知识快速更新的挑战，通用大模型在医学场景中存在高幻觉率问题。阿里健康推出医学AI产品「氢离子」，具备低幻觉、高循证特点，有四层循证架构，还与多方合作构建数据壁垒。
哇塞，今天北京被机器人人人人人塞满了！
世界机器人大会在北京开幕，100多个新机器人亮相。智平方的爱宝机器人人气爆棚，它能用一个基座模型完成多任务。其搭载的GOVLA大模型有四大核心能力，且已在多行业商业化落地。
曦望，死磕AI推理成本｜甲子光年
1月27日，国产GPU厂商曦望发布新一代推理GPU芯片启望S3等。启望S3面向大模型推理定制，设计系统级重构，单位Token推理成本降约90%。曦望还推出超节点方案及推理云计划，目标是极致推理性价比。