揭秘大模型评测：如何用“说明书”式方法实现业务场景下的精准评估

文章系统性介绍业务场景下大模型评测流程，包括需求分析、评测集设计生成、维度设定、任务执行和报告输出。指出评测挑战，如设计维度和集，还给出评测方法及案例，像蚂蚁评测集、业务自动化评测。

AI操作有了“紧急刹车”！通义&自动化所AI决策诊断模型，GUI智能体纠错正确率SOTA

阿里通义实验室与中科院自动化所推出GUI - Critic - R1模型，能在GUI智能体操作执行前诊断决策，避免错误。介绍了其动机、方法、数据集及实验，证明该模型在生成判断和提建议方面有效。

利用大模型检测钓鱼邮件:方法，效果及数据集

随着企业安全防范增强，钓鱼邮件成重要攻击手段，大模型检测方法盛行。日本论文详细披露检测方法和实验数据，含解析解码、简化邮件、生成prompt、调用LLM四步，还介绍数据集及评估了四个模型效果。

本周推荐的6个超级6的Github开源项目！

本文推荐6个Github开源项目，有能接入多平台的开源微信机器人CoW，基于VS Code魔改的AI代码编辑器Void，免费的ERP系统ERPNext，开源物联网平台ThingsBoard，共享虚拟浏览器Neko，微软轻量命令行编辑器Edit。

靠「AI婴儿播客」拿到a16z 3200万美元投资，Hedra凭什么？

Hedra是生成式AI创企，凭「AI婴儿播客」获关注，刚完成3200万美元A轮融资。它与主流AI视频平台路线不同，构建全模态基础模型，播客成杀手级应用，研发成本低，踩中赛道转型。

颜水成领衔，给AI分段位！超100款多模态模型，无人达到L5

十所顶尖高校联合发布General - Level评估框架和General - Bench基准数据集，用五级分类制明确多模态通才模型能力标准。评估超100款模型，发现多数在L2 - L3，无L5模型，揭示当前模型不足。

Speech-02语音模型登顶国际榜单：完美复刻声音，同事听后难辨真伪

MiniMax的Speech-02语音模型登顶国际榜单，超越OpenAI等海外模型。它引入可学习说话人编码器，有高扩展性，还能结合文本描述生成音色。测试显示其音色丰富、读音准、支持多语种，声音复刻逼真。

Cursor就是最强知识库应用，没有之一

作者认为最好用的知识库应用是Cursor，它有RAG能力，能处理代码和纯文本，可创建修改文档，具备搜索能力且会及时支持先进模型。作者还分享用Cursor配合文档工作的规则及使用示例。

14B检索能力超过Google Search，阿里ZeroSearch通过RL激发LLM检索推理能力~

有效信息搜索对提升LLMs推理和生成能力重要，当前RL方法有文档质量不可控和API成本高问题。阿里通义Lab提出ZEROSEARCH框架，经多步骤训练，实验显示其在检索能力和泛化性上表现出色。

2025年4月17日消息，OpenAI 连发o3和o4 mini，o3为强大推理模型，o4-mini专为高效推理优化。它们能调用ChatGPT工具，可基于图像思考。OpenAI还开源本地代码智能体Codex CLI，兼容所有模型。