「基准测试成本」共找到 3434 篇相关文章
斯坦福毕业，用RL做Agent，华人创业团队种子轮融资1200万美元
华人创业团队 Pokee.ai 以 RL 为核心开发 AI Agent，与主流以 LLM 为核心的方式不同。该团队创始人朱哲清有丰富经验，现完成 1200 万美元种子轮融资，产品公开测试版已上线。对话中还探讨了 Agent 特点、发展阶段等问题。
3D VLA新范式！CVPR冠军方案BridgeVLA，真机性能提升32%
中科院自动化所提出BridgeVLA模型，将3D输入投影为2D图像并利用2D热图进行动作预测。它训练分两阶段，在多仿真基准和真机实验表现卓越，仅3条轨迹基础任务成功率达96.8%，真机性能提升32%。
传统RAG只会翻书不会用？RAG+让Reasoning能力上一个新高度！
现有检索增强生成（RAG）技术在需复杂推理领域表现不佳，像只给菜谱不给实操演示。RAG+开创性新增“应用案例库”，与知识库构成双料库，在数学、法律、医疗场景测试中全面碾压传统方案，团队还透露了未来方向。
Reasoning模型可以Self-Train！
当前大模型依赖人类标注数据，成本高且扩展难。论文探讨模型自我纠错、自主进化可能，提出自我奖励训练（SRT），用投票共识代替人类标注。在数学数据集上有效果，但高难度数据集出现问题，作者给出解决办法并开源代码。
LLM+RL遭严重质疑，随机/错误等虚假奖励也能提升至标准效果？
论文在AI领域观察到类似随机给糖或奖励错误答案让孩子成绩提升的现象，‘虚假奖励四大奇招’效果接近用标准答案训练，Qwen2.5 - Math - 7B模型在测试集上性能飙升，还揭示了Qwen特别的原因及随机奖励有效的推手。
终于轮到 AI 上夜班了，我去睡
Qoder 推出 Qwen3.7-Max 和 Qwen3.7-Plus 错峰折扣，白天 08:00 到 22:00，Qwen3.7-Max 5 折；22:00 到次日 08:00，Qwen3.7-Max 2 折，Qwen3.7-Plus 4 折。作者测试后认为适合内容创作者，还给出使用建议。
Anthropic最新博客：MCP没有死，我们又救活了。
2个月前Eric Holmes认为MCP已死，因其有Token成本等问题且LLM本就会用命令行。但本周Anthropic发博客称想清MCP定位，它不是替代CLI，而是覆盖其到不了的地方，还给出改进方案，MCP月下载超3亿次。
腾讯出手了！彻底入局Agent
腾讯云入局智能体赛道，将大模型知识引擎升级为智能体开发平台。该平台亮点多，如可一键发布到企业微信，具备多工具调用、多Agent协作能力，工作流有全局视野Agent节点，还有Excel检索增强功能，经测试表现出色。
突发！Fable 5.1遭黑客破解，27万字提示词泄露
Fable 5.1和Mythos 5.1发布，Fable 5.1推理成本低32%。但发布几小时后被破解，27万字提示词泄露，曝光了其安全限制、隐私保护等秘密。它工具增加，还破解密码、能完成多种任务，不过也有用户抱怨耗token等问题。
作业帮Flink On K8s落地实践
本文分享作业帮2025年Flink on k8s的探索与实践，包括选型思考、平台架构演进等关键内容。介绍了历史on Yarn模式的问题，阐述选型Flink K8s Operator模式的原因，还提及任务状态观测、环境资源成本等，分析核心问题并给出解决方案。