「评估标准」共找到 1025 篇相关文章
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
豆包推出专业版，能成为你的「工作搭子」吗？
6月24日，豆包发布基于最新豆包2.1系列大模型的专业版，新增Agent驱动办公任务模式，支持理解目标、拆解任务等。它回应了用户需求分化，还改变评价标准，有望成生产力入口。
AI 智能体界的 npm 来了！Vercel 推出 Skills.sh，欲统一智能体指令集
Vercel 发布开源项目 Skills.sh，为 AI 智能体打造“标准动作库”，让其通过命令行执行可复用操作。它是开放生态，开发者能定义、分享指令。项目获广泛关注，社区认为其实用性强。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
没PhD，算什么AI研究员！LeCun论文竟要28岁辍学生审批，发文「暗讽」内讧升级
Meta内讧升级，首席科学家LeCun发帖疑似暗讽新上司Alexandr Wang。LeCun列出“研究员”学术标准，点明研究与工程不同。此前Meta重组，TBD Lab审核FAIR论文，两者理念冲突，FAIR科研独立性受挑战。
LLM抢人血案：强化学习天才被挖空，一朝沦为「无人区」！
斯坦福AI+CS博士Joseph Suarez回顾强化学习历史，指出其曾因学术短视、学界追名逐利走向衰落。如今他坚持用小模型从零开始的RL，重建标准，让研究速度和效果大幅提升。
ICCV 2025 | UniOcc: 自动驾驶占用预测与推理统一数据集及基准平台
来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。