「评估体系」共找到 1237 篇相关文章
今天起，GPT Image 2要把全体设计师送走了
GPT Image 2横空出世，暴打Nano Banana 2，其超强文字渲染和设计能力颠覆众多行业。它生成的图片真假难辨，解决文字渲染难题，降低数字内容生成成本，让设计师面临失业危机，也使互联网信任体系洗牌。
ACP 协议 + 多 AI 编程智能体：企业研发的新生产力平台
文章围绕 ACP 协议展开，介绍其概念、工作原理及在 AutoDev 的集成实践。还提及 ACP 生态、多 Agent 协作实践，如 Augment Intent、Google Antigravity。最后阐述企业级 AI 平台治理体系，包括 MCP、ACP、A2A 三层协议协同价值。
GPT-5.1 突然发布，用户实测：更像 4o，情商大幅提升
OpenAI 向部分付费用户推送 GPT - 5.1，有即时思考和深度思考两种模式，系统自动匹配。它有八种人格预设，改进不仅在语气，还提升记忆编织等能力，像是补救 GPT - 5 失败，还扩展安全评估。
能查信息≠循证AI：OpenEvidence爆火在前，中国医生的「信任死结」谁来解？
AI医疗市场增长快，但国内落地面临医生信任难题。医渡科技发布的医渡智循，通过全流程技术体系、多专科智能体协作等，解决AI信任问题，实现全场景布局，让AI回归循证。
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。
AI Code赛道跑出一匹黑马：字节Doubao-Seed-Code
字节发布面向Agentic Coding任务优化的编程模型Doubao - Seed - Code。它在代码能力、生态兼容性、价格上优势明显，在实际案例中表现出色，其训练体系独特，为开发者提供高性价比选择。
大模型训练新突破！“不对称”训练让AI学会自我反思，推理零开销
字节团队提出全新语言模型训练方法PCL，首次打破训练与推理对称约束，实现‘训练-推理不对称’。在训练时让模型反思评估结果，推理时仅输出答案，零额外开销，显著提升模型能力。
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。