「半监督评测体系」共找到 1306 篇相关文章
浙大联合阿里云发布首篇 Token Economics 综述 ：用经济学重新理解 LLM Agent 的 Token 世界
浙江大学联合阿里云发布综述论文，提出Token Economics框架，从经济学视角理解LLM Agent中Token使用与资源分配。梳理关键问题，构建分类体系，还指出未来发展趋势与新兴机会。
单任务狂飙16小时！模型+Harness双轮驱动，金融Agent跑通了
2026年AI圈热词Harness成Agent产品基础设施。通用Harness难适配金融订单，易鑫首席科技官贾志峰将开源自研Harness Framework，采用三层驾驭体系，实测效果佳，成本低。
中山大学梁小丹团队论文：让视频生成从「看起来真实」到「物理上正确」丨CVPR 2026
中山大学梁小丹团队提出《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》，通过分层建模和逐步对齐，引入视觉语言模型作监督，解决视频生成模型物理建模问题，提升物理正确性和视频质量。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
陶哲轩「断粮」后，25年首次绝望怒吼：美国科学命脉被砍断！
美籍华人数学天才陶哲轩称，25年科研生涯从未如此绝望。白宫切断其科研经费，UCLA等科研圣地也濒临断粮。美国科研体系半年内遭‘血洗’，诸多项目中断，未来堪忧。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
独家丨擎天租完成A轮及A+轮数亿元融资，估值达70亿元，具身赛道再添独角兽
AI 科技评论独家获悉，擎天租完成 A 轮及 A+ 轮数亿元融资，估值达 70 亿成独角兽。其定位 RaaS 平台，将业务重心推向产业场景，本轮融资用于体系建设和场景拓展。
OpenClaw长期记忆：优秀管线与玄学效果
文章拆解 OpenClaw 记忆系统全链路，指出其虽设计理念好，但记忆效果不稳定。介绍 RDSClaw 记忆插件如何补强，该插件与原生系统协作，提升记忆稳定性，在 LoCoMo10 评测中成绩显著。
字节发布全球首个预测未来基准FutureX，Grok-4 拿下冠军
字节跳动发布全球首个实时未来预测基准测试FutureX，杜绝模型作弊。在25个模型评测中，Grok - 4夺冠。它从多网站构建问题，分四级难度。人类专家在部分等级仍领先AI 。
让大模型多模态检索全面超越SOTA！ReCALL框架化解生成式与判别式的范式冲突｜CVPR'26
紫东太初团队联合新加坡国立大学攻克大模型检索难题，其ReCALL框架以‘诊断 - 生成 - 校准’闭环体系解决范式冲突，让大模型变身高效检索器，成果被CVPR 2026录用，刷新SOTA性能。