「评测报告」共找到 1052 篇相关文章
首个英文原生「弱智吧」！逻辑谬误数据集与生成框架来了 | AAAI'26
研究发现大模型判断逻辑谬误易误报正常句子，但分类能力较强。研究人员构建英文逻辑谬误基准SMARTYPAT - BENCH，开发生成框架SMARTYPAT，为大模型逻辑评估提供新思路，可用于多领域。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
近日，智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，打破具身智能演进制约。
InfoQ 2026 年趋势报告：AI 重写工程师角色，但一切仍然关乎人
InfoQ 2026 年趋势报告探讨了 AI 对软件开发的影响，包括重写工程师角色、团队演变等。嘉宾指出 AI 采用应结合风险和业务场景，巩固基础，重新设计审查流程，关注质量和人的因素。
中美服务器CPU供不应求
受AI算力需求增长驱动，存储芯片自2025年进入“超级牛市”。2026年服务器CPU也供不应求，英特尔和AMD考虑提价。缺货因云厂商抢货及厂商供需错配，相关芯片股走强。
基于百万亿 Token 的 AI 使用模式分析：趋势、拐点与未来｜PPT分享
近期OpenRouter报告《人工智能现状：基于OpenRouter的100万亿Token实证研究》，分析超100万亿个token的真实世界LLM交互数据，弥补LLM实际使用情况证据不足，揭示2024年转折及多方面发现。
AI改变世界！微软发布700个真实AI Agent、Copilot应用案例
微软发布700个真实的Agent智能体、Microsoft Copilot应用案例，涵盖金融、医疗、科技等多领域。如埃森哲构建智能体降低销售未清天数，ANS用其提高成交率等。
The Batch：832 | AI 消耗能源，也节省能源
国际能源署对AI能源消耗全面分析，有忧有喜。担忧在于AI能源消耗有四种情景预测，到2030年数据中心电力需求或翻倍。期待是AI已开始提升能源效率，未来可带来巨大能源节约。
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
openJiuwen社区开源新招：重磅发布JiuwenSwarm，拉开群体智能“养蜂”序幕
openJiuwen社区开源蜂群智能体JiuwenSwarm，落地Coordination Engineering范式。它有全栈技术体系，支持人以HOTS和HITS模式参与协同，实战效果佳，且在评测中表现亮眼，全套能力开源。