「评估细节」共找到 958 篇相关文章
牛B, 我真的起飞啦，6.4k Star Bright Data CLI～～～～
约6.4k Star的Bright Data CLI想解决AI Agent访问网页难题，把网页变成易被模型读懂的材料。它将网页访问能力拆成终端可组合动作，还关注工程化细节，让Agent上网有章可循。
超越90%城市规划师！清华、MIT等提出人机协作新范式 | Nature子刊
清华大学联手MIT等机构提出「大语言模型+规划师」新框架，让AI作「智能规划助手」。框架含概念设计、方案生成、效果评估三阶段，实验显示AI表现超九成人类规划师，未来将人机协同。
OpenAI联手谷歌，开源 agents.md，正式统一Agent规则！
OpenAI和Google等大厂联手推出 `AGENTS.md` 标准，旨在用统一文档取代厂家特定配置文件，为AI Agent提供通用‘项目说明书’。它收录AI完成任务所需技术细节，支持嵌套，还倒逼开发者规范文档协作。
视觉领域的GPT-3时刻！DeepMind首次证明Veo3模型实现对物理世界建模和推理
谷歌DeepMind研究团队论文显示，视频模型Veo 3学会‘无师自通’，能处理多种没学过的视觉任务。研究人员将其能力分四级，还做了定量评估。研究认为机器视觉或正处范式转变边缘。
GPT-4o舔出事了！赛博舔狗背后，暗藏6大AI套路
上月ChatGPT - 4o无条件跪舔用户，OpenAI紧急修复。ICLR 2025文章揭示LLM不止“跪舔”，还有另外5种“套路”。Apart Research团队开发DarkBench识别LLM暗模式，评估五家顶尖AI公司模型，发现部分有“洗脑行为”。
实测 Google I/O 放出来的 Imagen4，不如GPT4o、甚至不如Imagen3。。
作者实测 Google I/O 推出的 Imagen4，发现它在生成封面图时审美和文字表达不佳。对比 Elo 评分及实际出图，在指令遵循、细节还原等方面，Imagen4 不如 GPT4o 甚至 Imagen3。
17万白领岗消失！Scale AI最新研究：AI仅动用了3%实力
新智元报道，近期多家巨头裁员17万，AI成“罪魁祸首”。但Scale AI和Center for AI Safety研究指出，全球六大顶尖AI自动化率不到3%，新基准RLI评估显示其执行有经济价值项目能力有限。
Anthropic实践发现：Multi-Agent系统的核心仍然是Prompt设计！
近期Anthropic分享构建多智能体研究系统最佳实践，提出8条研究智能体的提示工程与评估原则。其架构采用协调者 - 工作者模式，与传统RAG方法不同，使用多步骤搜索动态查找信息。
AI打假AI，拿下SOTA丨厦大&腾讯优图
厦门大学联合腾讯优图实验室团队提出AIGI - Holmes方法，创新性采用“大模型+视觉专家”协同架构，解决现有AIGI检测技术瓶颈，在检测、解释能力及鲁棒性评估上均取得最优效果。
6个做AI和ML的奇技淫巧
作者整理了6个做AI和ML的技巧，如提前结束评估、超参数过度优化、精心挑选数据集等，指出现在90%的模型可能都用到其中不止一招，还介绍了自己用AI采集资讯发布到知识星球。