「推理质量评估」共找到 3139 篇相关文章
AIAAJ | 西工大张巧、张伟伟等：多专家特征融合网络架构预测跨声速抖振气动噪声
为解决气动噪声数据中流动状态与空间位置分布不平衡导致的MLP预测精度不足问题，本研究提出多专家特征融合网络架构，以跨声速抖振气动噪声为算例评估，可降低MLP算法MSE，泛化性更好。
DeepEval：LLM 应用评测不再玄学，让大模型评测像写单元测试一样简单
在大模型应用开发中，科学、自动化评测 LLM 输出质量是难题，人工评测效率低。DeepEval 是 Confident AI 团队开源的 LLM 评测框架，能用极简代码让评测像写 pytest 一样自然，内置多种评测指标，支持批量评测等。
阿里通义的视觉RAG革命！VRAG-RL：基于强化学习的视觉感知RAG框架，性能飙升30%
阿里巴巴通义实验室推出VRAG - RL，融合视觉感知、多模态推理与强化学习，已在GitHub开源。它破解传统RAG处理视觉数据难题，通过创新机制提升性能，在多数据集表现出色，还将向更拟人化和低幻觉方向发展。
现实世界的天气能复刻？Weather-Magician实时渲染下雨打雷下雪
传统工业方法在还原复杂现实场景时成本高、质量差，当前算法也难重建和渲染真实天气效果。上海交通大学提出Weather - Magician框架，能重建场景并渲染4D天气效果，对硬件要求低且可实时渲染。
打穿 AI 智商测试！GPT-6 Astra 的符号世界模型，是突破还是钞能力刷分？
OpenAI的GPT-6 Astra亮相，在ARC - AGI - 3测试成绩逼近100%，远超GPT - 5.6 Sol。它生成的符号世界模型被认为是AI迈向高级推理必经之路。不过出题人指出其靠Harness加持，离AGI还远。
Fable5仅做对3.5%！大模型会看图，但还没有主动视觉
本文介绍了专门测量「主动观察」能力的视觉推理基准 ActiveVision，评测显示无外部工具时，大模型与人类准确率有近 9 倍差距，用工具后虽提升但仍远不如人类，还说明了其出题与避免取巧的方式。
烧了1万块横测，你用的模型可能掉队了
作者花大成本从后端、人味、前端、推理等维度，对glm 5.2、kimi k3等国产模型进行测试，展示各模型在不同测试中的结果，指出国模2T俱乐部的kimi和qwen下限高，且刻板印象需改变。
传 GPT-5.6 明日发布：要打赢 Fable 5，光靠刷分可不行
近期GPT-5.6发布消息不断，上线或进入倒计时。它被拿来与Fable 5对比，Fable 5长任务处理出色，而GPT-5.5有短板。GPT-5.6虽跑分亮眼，但被指‘benchmaxxed’，还存在脱离现实常识问题。
AMS| 西工大史子颉，高传强，王旭，林海涛，张伟伟：数据驱动的涡激振动标度律发现
涡激振动最大振幅是评估结构安全的关键指标，现有理论模型有局限，常用数据驱动方法也面临挑战。本文提出两次应用符号回归的“白箱”标度参数VIV建模方法，验证了其鲁棒性与泛化能力，还给出物理层面解释。
刚刚DeepSeek宣布大规模扩张，整体至少扩员一倍，全体岗位集体喊人加入
DeepSeek宣布大规模扩张，各部门规模至少扩一倍。其发力点包括底层算力与系统优化、高质量数据、Agent与应用落地及探索Next Level科研。用人反内卷、反官僚，岗位接受实习，还新增AGI核心业务管培生。