「评测榜单」共找到 1218 篇相关文章
真实科研水平集体不及格！全新基准SFE给主流多模态LLM来了波暴击
上海人工智能实验室AI4S团队推出SFE评测基准，首创三级评估体系，涵盖五大科学领域66项任务。评测显示主流MLLMs在高阶科学任务有挑战，不同模型、学科表现有差异，还构建了SciPrismaX平台推动AI科学评估生态发展。
让RAG告别断章取义，HiChunk做到了~
现有RAG评测忽视文档切分，腾讯优图提出HiCBench评测基准和HiChunk框架。HiCBench含人工标注多级切分点与证据稠密QA，HiChunk用微调LLM建多级语义树，配Auto - Merge算法，实验效果佳。
最新智能体自动操作手机电脑，10个榜单开源SOTA全拿下｜通义实验室
通义实验室推出Mobile - Agent - v3智能体框架，在多核心榜单获开源最佳。它能完成复杂任务，在多智能体框架中灵活切换角色。团队搭建云环境基建，从多维度构建数据，用强化学习和多智能体协作提升其性能。
登上 GitHub 日榜 TOP5，收获 1.2 万标星的自动剪辑视频开源工具。
video-use是browser-use团队开源的自动剪视频项目，登上GitHub日榜TOP5、获1.2万标星。它改变剪辑交互方式，让用户描述意图，有智能剪辑、调色等功能。技术亮点是双层读取系统，成本和效率更优。
15个前沿大模型，100个职业场景：谁才是最强AI打工人？
通义千问与港中文联合发布OccuBench，用语言世界模型评测AI Agent职业能力。评测15个前沿模型，发现无全能选手，隐式故障难处理，Scaling定律有效，做Agent和环境模拟器能力不同，还给出具体案例。
Claude、GLM、GPT谁才是真正的AI软件工程师？首个持续更新Visual Spec-to-App Benchmark发布
近年来，Coding Agent 发展迅速，「AI 软件工程师」渐成现实。但目前缺少系统评测其从设计稿开发产品能力的公开 Benchmark。为此，多校研究团队推出 VISTA，可多维度评测 Coding Agent 开发能力，且持续更新。
顶尖AI竟输给三岁宝宝，BabyVision测试暴露多模态模型硬伤
UniPat AI 等发布多模态理解评测集 BabyVision，测试显示多模态大模型纯视觉能力仅达三岁幼儿水平。其通过对比实验、细分任务评测，揭示模型系统性缺基础视觉能力，还给出新方向及发展建议。
GPT-5.2首发评测：大神深度体验两周，强到离谱，但慢得抓狂
为对抗谷歌的Gemini 3，OpenAI推出GPT - 5.2。大神Matt Shumer深度评测，指出其指令遵循、代码生成、视觉和长上下文等能力有提升，但速度慢。与Claude Opus 4.5、Gemini 3 Pro各有分工。
吴恩达：不理解计算机的工作原理，你不可能单靠 Vibe Coding 就走向卓越，基础知识依然至关重要
吴恩达指出懂AI的开发者供不应求，但计算机专业应届生失业率上升，因大学课程未跟上时代。他面试看重借助AI助手开发、运用AI基础模块构建应用等能力，强调基础知识仍重要。
挺意外的，Agent长期记忆潜力被AMemGym挖出来了
论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。