「元评估」共找到 1368 篇相关文章
OpenAI深夜开源HealthBench，60个国家合力开发5000段真实对话
今天凌晨1点30，OpenAI开源医疗大模型测试评估集HealthBench。其5000段核心测试对话由60个国家/地区的262名医生打造，采用多轮对话测试。测试显示大模型在医疗保健领域表现显著提升，还介绍了其构建及评估等情况。
全球首个科研LLM竞技场上线！23款顶尖模型火拼：o3夺冠，DeepSeek第四
Ai2耶鲁NYU联合推出科研版「Chatbot Arena」——SciArena，23款顶尖大模型比拼科研任务，OpenAI o3夺冠，DeepSeek第四。该平台解决通用基准测试在科研场景‘失效’问题，但其自动评估系统猜科研人偏好远未及格。
等等，MiniMax H3不是刚发布吗？怎么就卷到几分钱的价格了……
MiniMax新发布的视频模型H3在多模态能力出色，霸榜Artificial Analysis榜单。但开源模型有部署和成本难题，秘塔AI上线该模型，免部署，2K方案0.15元/秒，768P方案0.09元/秒，降低创作门槛。
开源仅一周，鹅厂文生图大模型强势登顶，击败谷歌Nano-Banana
腾讯混元团队开源的原生多模态生图模型混元图像 3.0，开源仅一周就在国际权威评测榜单 LMArena 上超越谷歌 Nano - Banana 等，位列文生图综合和开源榜单第一。实测表现出色，技术上也有诸多创新。
一篇400+文献最新RAG技术系统性综述
本文对RAG技术进行系统性综述，通过筛选5大数据库、128篇高被引文献、343个数据集，给出技术地图、评估框架与未来路线，梳理技术全景、评估指标，还介绍主流数据集，指出RAG已演变为复杂系统。
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。
第二代InfLLM开源，同尺寸快三倍！零参数，可训练稀疏注意力
新智元报道，清华、OpenBMB和哈工大提出零额外参数、训练高效的原生稀疏注意力框架InfLLM-V2，仅用5B长文本词元就能完成训练，相比稠密注意力机制有显著加速，性能接近传统稠密模型。
蚂蚁投了一家具身智能公司，做手的
具身智能市场火热，灵心巧手完成数亿元天使轮融资，由蚂蚁集团领投。该公司成立于2019年，此前已有超亿元种子轮融资。其自研灵巧手技术强、成本低、销量高，应用广泛，未来将聚焦软硬件协同。
独家丨华为、联想、富瀚微罕见「同框」，00后空间智能创业者连续获得两轮融资
魔芯科技近日完成新一轮近亿元融资，近两月连续获两轮近亿元融资。其创始人是00后浙大在读博士生。2025年公司研究成果被CVPR2026接收，还发布交互式视频世界模型。采用纯隐式空间表示，在多领域有突破。
我们离Coding领域的「AGI时刻」还有多远？字节跳动Seed发布NL2Repo-Bench仓库级长程代码生成基准
在AI编程领域，大家认为Coding领域的AGI似乎可以实现，然而真正的项目开发要求更高。近日，字节跳动Seed等联合发布首个评估编码智能体端到端仓库生成能力的基准测试NL2Repo - Bench，还介绍了其构建、评估等情况。