「评估工具」共找到 2519 篇相关文章
GPT-5得分不到0.4！法律+金融最大规模基准：1.9万+专家评估准则
新推出的PRBench基准可测AI在金融和法律领域表现。它有19356条专家评估准则，是该领域最大公开基准。顶尖大模型在困难子集得分低，还独创经济路径分析维度，约30%任务为多轮对话，揭示了AI在专业领域的不足。
浙大推出首个「多图应用题」基准GSM8K-V，全面评估 VLM数学推理能力
浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。
曾让 Adobe 豪掷千亿，如今要独立上市了！招股书疯狂点名 AI 150 次，新产品对标 Lovable
网页设计工具开发商 Figma 申请 IPO，招股书提“AI”超 150 次，既视其为“创意加速器”，也认为是“潜在威胁”。该公司业务增长强劲，今年扩展工具库，虽 AI 投入短期内有负面影响，但仍会加倍投入。
AnyGen款新AI工具，专门解决打工人最头疼的3件事，Doc，PPT，Excel
字节跳动2025年12月在海外推出一站式AI协作工作台AnyGen，强调人机协作打磨。产品有文档、通用智能体、幻灯片、数据分析四个核心模块，能解决会议纪要整理、PPT制作等痛点，还与主流工具做了横评。
我给在上学的弟弟做了个论文版抖音
作者弟弟被海量论文困扰，作者为其做了像刷短视频一样刷论文的工具，用了 Claude Code 和星辰 Agent 社区版，还介绍了系统逻辑、搭建过程，对比了不同平台，最后工具开源，鼓励按需改进。
本周推荐的5个超级6的Github开源项目！
文章推荐了5个超棒的Github开源项目。有轻量全能、自带阅后即焚的pastebin工具microbin；容器与K8s管理利器Podman Desktop；开源投屏神器Escrcpy；强大易用的国产建站工具Halo；跨平台AI笔记神器NoteGen。
AI 时代最大的“幻觉”：我们有了最强工具，却正在失去定义真问题的能力
BAT增长顾问、前快手产品总监杨一溪在全球产品经理大会指出，AI时代人们易迷失在‘可能性’中，失去定义‘真问题’的耐心。他结合案例，从多方面分享增长方法论，强调用户需求洞察的重要性。
73%人类认同率！Video-Bench实现视频质量精准打分
上海交大等团队提出视频评估框架Video - Bench，让多模态大模型‘像人一样评判视频’。它构建双维度评估框架，引入链式查询和少样本评分技术，与人类判断73%高相关，为视频生成模型优化提供标尺。
揭秘大模型Steering：从底层机理到系统评估，全面破解大模型行为控制之谜
近期《Science》研究表明可解析AI内部表征实现通用引导与监控。浙大联合阿里两篇ACL 2026主会论文，揭示Steering工作原理与能力边界，还开源一站式框架EasyEdit2，全面展示了Steering价值。
99个最佳免费AI编程智能体与平台，2025年11月最新版
文章介绍了 99 个免费 AI 编程智能体与平台，含神级工具、国内科技巨头产品等类别。这些工具永久免费、开源或有云积分，适合学生、开发者等，能以 0 成本获得生产级 AI 编程技术栈。