「双轨评估体系」共找到 1250 篇相关文章
「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。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
ICCV 2025 | UniOcc: 自动驾驶占用预测与推理统一数据集及基准平台
来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。
深度解读｜从 LLM Wiki 到 Google OKF，如何重建企业 Agent 的可靠知识底座
文章深入解读 LLM Wiki 与 Google OKF，探讨如何重建企业 Agent 可靠知识底座。指出 RAG 检索有局限，Wiki 式体系可整理知识。介绍 LLM Wiki 构想、OKF 规范及构建符合 OKF 约定的 LLM Wiki 的方法。
算力不再稀缺？中国AI芯片供给出现反转
过去中国AI产业常焦虑算力不足，如今国产AI芯片进入集中交付阶段，自给率提升。伯恩斯坦测算，国产化率有望从2023年约17%提至2027年约55%。产业进入新阶段，竞争从“拼参数”转向“拼体系”。
JManus - 面向 Java 开发者的开源通用智能体
在Manus火热背景下，Spring AI Alibaba JManus诞生，它是用Java实现的开源OpenManus。可集成多个大模型，功能完善，能让Java开发者低门槛搭建智能体系统，还给出了运行方法及共建思路。
百度GenFlow 4.0发布，Office三件套全包了，还能养「牛马虾」
4月27日，百度文库与网盘联合发布GenFlow 4.0，全面升级Office Agent，支持在百度网盘多端部署OpenClaw。还推出「牛马虾」体系，适用于团队协作和企业场景。后续还将发布视频剪辑Agent能力和团队版「Agent协作军团」。
4月22-25日，CCBN2026将在首钢园举办
第三十二届中国国际广播电视信息网络展览会（CCBN2026）4月22 - 25日在北京首钢国际会展中心举办。展会构建多元体系，汇聚众多企业机构，亮点包括数智引领、超高清创新等，还推出展商专属权益计划。