「评估问题」共找到 3773 篇相关文章
LLM遇上表格：4类表示、5大任务、3大机会
文章指出LLM处理表格有任务单一、输入复杂易崩、表示不统一痛点，介绍4种表格输入表示法、5大任务，还发现任务复杂度、输入复杂度及表示统一方面存在新研究机会。
Nature Machine Intelligence颠覆有机化学研究范式，上海交大发表化学合成大语言模型
上交大AI4S团队依托平台，联合多团队在AI for Chemistry领域获突破。相关研究发表于《Nature Machine Intelligence》，介绍白玉兰化学合成大模型Chemma，它加速有机合成全流程，在多任务表现出色，还能解决数据稀疏等问题。
ACM MM 2025 | 小红书AIGC团队提出风格迁移加速算法STD
小红书AIGC团队提出风格迁移加速算法STD。现有一致性模型在风格化任务有缺陷，文章提出从部分噪声状态出发的训练框架STD，设计轨迹状态库减轻计算负担，引入非对称对抗损失增强风格一致性，实验显示其效果优。
提速79%！上交大新方法优化企业级AI流程调度 | IEEE ICDCS’ 25
上海交通大学朱怡飞教授团队联合江行智能提出调度框架LLMSched，解决复合LLM应用任务运行时长和结构不确定问题。该框架重构DAG模型，用贝叶斯网络和熵减机制优化调度，实验显示最多降79%平均任务完成时间。
DeepRare 重磅发布：全球首个可循证智能体诊断系统，直击医学Last Exam难题
上海交通大学人工智能学院等联合发布全球首个罕见病推理型智能体诊断系统DeepRare。它结合大模型和多智能体架构，模拟医生诊断思维，支持多模态输入，在多数据集评估中表现出色，已上线在线平台。
IMO怒斥OpenAI自封夺金，“91位评委均未参与评分”，网友：炒作无下限
OpenAI宣称新模型获IMO金牌不到24小时剧情反转，多位官方人士和大佬指其做法“粗鲁且不恰当”。其“金牌”成绩或站不住脚，未与官方合作，无评委参与评估。此事引发学术道德和商业炒作争论。
AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab
上海人工智能实验室等团队设计REST框架，在一个prompt里抛多个问题模拟多任务推理场景。测试发现即便顶级模型如DeepSeek - R1在“高压”下准确率也骤降，该框架能揭示模型差异，为评测提供新范式。
大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准
现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。
OpenAI 工程师最新演讲：代码只占程序员核心价值的 10%，未来属于“结构化沟通”
OpenAI工程师Sean Grove演讲指出，代码只占程序员核心价值10%-20%，80%-90%在于结构化沟通。他认为规约比代码更优，还以GPT - 4o“马屁精”问题为例说明规约作用，最后畅想万物皆规约的未来。
内部爆料：Alexandr Wang上任第一把火，Meta大模型闭源
据知情人士，Meta新成立的超级智能实验室正讨论重大决策，高层对AI模型是否开源存分歧。Meta曾因性能问题延迟Llama 4版本，现完成Behemoth训练却因不佳延迟发布，还探讨放弃它开发闭源模型。