「结果计价」共找到 550 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。
《圣经》成书时间或被改写！AI竟发现《死海古卷》早于所罗门时代
科学家用AI重构《死海古卷》时间线，发现许多卷轴比原先认为的年代更早。AI模型Enoch结合碳14定年与笔迹分析首创定年方法，超越传统古文字学，还可能揭示圣经作者线索。
OpenAI久违发了篇「正经」论文：线性布局实现高效张量计算
OpenAI 近日发布研究论文，提出用于高效张量映射的统一代数框架 Linear Layouts，解决了 Triton 等深度学习编译器中长期存在的难题。该框架是使用二元线性代数的张量布局通用代数形式，评估显示其优化版 Triton 性能有提升。
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
“当年在OpenAI像在疯人院！”Jev作者完整访谈：全人类陪AI聊天的价值，不如程序员一个for循环
本文整理了前OpenAI核心研究员、Jev模型创始人Diogo Almeida的完整访谈，Diogo批判当前行业all in聊天大模型的路径偏差，推出专为程序决策设计、不做聊天交互的Jev模型，提出全新RLCD技术范式，倡导AI作为软件底层基础设施赋能自动化生产力。
拆解 WorkBuddy、千问办公和豆包工作，它们其实不是同一种产品
本文作者用真实职场脏活测试腾讯WorkBuddy、阿里千问办公、字节豆包工作三款办公Agent，对比三者产品路线、执行结果和执行环境差异，揭示当前办公Agent的发展现状与局限。
英伟达Vera Rubin首秀，DeepSeek V4 Pro 跑出30倍Agent吞吐
NVIDIA公布基于真实芯片的Vera Rubin性能测试结果，在针对Agent工作负载的测试中优势明显。SpaceXAI将部署其CPU，探索轨道计算。这显示未来AI竞争关键是支撑Agent的计算基础设施。
基于阿里云 AgentLoop 的 DeepSeek Harness 评测实践
本文分享基于阿里云 AgentLoop 平台的 DeepSeek Harness 评测实践。介绍了 DeepSeek Harness 工程架构，阐述 AgentLoop 平台接入方式及价值，还详述评估器设计思路、展示评测结果，最后总结方法论并展望后续工作。
Fable第一，谁第二？Anthropic钦点8款模型名单曝光
Anthropic官宣Claude Fable 5全球上线，公布安全测试结果，8款模型包括中国的Kimi K2.7。北美公司也用行动认可中国模型，Kimi在多方面表现出色，其商业模式类似Anthropic，未来潜力大。
你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench
剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。