「模型服务接口」共找到 8263 篇相关文章
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。
Claude Code与Codex六大组件拆解
文章指出如今如GPT - 5.6等模型的裸能力相近，但装进Claude Code 或 Codex CLI 后表现差距大，原因在于Agent Harness。它将编码智能体拆解为六个核心组件，详细阐述各组件作用与意义。
美国AI一骑绝尘，中国平均落后7个月！Epoch AI新报告出炉
Epoch AI报告指出，中国AI模型进展平均落后美国7个月，最小4个月，最大14个月。这差距本质是「开源vs闭源」差距，中国领先大模型多开源，美国前沿模型均闭源。不过中国AI追赶速度稳定。
关键突破：理论验证了 RL for LLM 路线的可行性
传统RLHF依赖人工标注偏好数据训练奖励模型，成本高且难扩展。本文发现任何通过Next - token预测训练的LLM内部隐含通用奖励模型，从理论和实验证明其可高效实现模型对齐。
RunAnywhere：简单几步让AI应用跑在手机上
介绍能在手机本地运行的大模型项目RunAnywhere，它让开发者在iPhone 16 Pro Max部署Llama 3.2 3B模型。AI处理本地化，用React Native和RunAnywhere SDK，支持多模型，有多种功能，优势明显。
千问3：开源第一不只是说说！
英伟达新开源的OpenCodeReasoning系列选千问作基础底座。千问3以Apache 2.0发布后，开发者生态更新频繁，衍生模型超10万，下载量破3亿，全球第一。其性能强，正加速开启全栈式AI时代。
中国 AI 投资人：练习时长两年半
文章是对多家投资机构的访谈，探讨AI投资与创业趋势。涉及Manus成功经验、DeepSeek影响、模型公司前景、应用机会等，还谈及创业者应对策略、投资策略变化及行业未来思考。
AI进化时间表已现！LLM每7个月能力翻倍，2030年职场不复存在？
LLM正飞速进化，METR研究发现其智能每7个月翻番。到2030年，一个模型几小时就能完成人类工程师数月的工作。该研究提出“任务完成时间视野”指标衡量模型能力，不同模型表现差异大。
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
GLM-4.5 验证：智谱已完成一轮“洗牌”
2025年大模型热度下降，智谱AI关注度降低。7月28日晚其发布新一代基础模型GLM - 4.5，体现战略调整成效。该模型专为AI Agent打造，性能出色，同时智谱人事、业务、收入等方面也有“洗牌”。