「工程基准」共找到 1647 篇相关文章
多模态幻觉的病因「高熵节点」找到了！全基准幻觉率下降
多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
Agent交卷时刻：企业如何跨越“一把手工程”信任关？｜甲子引力
在2025甲子引力年终盛典中，甲子光年智库院长宋涛对话五位AI企业负责人，探讨AI Agent在企业中的价值与落地问题。嘉宾们认为AI Agent可降本增效、推动转型，但落地面临信任、成本等阻力，需深入业务创造价值。
成熟工程师1天完成调试，AI工程实践被MCP彻底颠覆？
去年11月Anthropic发布模型上下文协议（MCP），开发者社区迅速采用，AWS、GitHub、OpenAI等也已采用。MCP标准化数据和工具与AI代理的集成，简化定制化AI应用构建。采访华院计算杨小东，解析其架构、应用及商业价值。
数十agent，24天挑战数学界巨型工程，还揪出40年前漏洞
AI 数学公司 Axiom 组织数十个 AI Agent，耗时 24 天将 1.5 万页的有限单群分类定理转化为可验证代码，生成约 4310 万行 Lean 代码 并全部开源。
GPT-6 Astra发布，多个基准测试接近满分，“欢迎来到AGI时代”？
当地时间9月3日，OpenAI发布GPT-6 Astra，称其为“最智能、最对齐”的模型。它在多测试表现逆天，能力提升显著，还加入新特性。不过价格更高，也带来安全问题。
Grab 工程实践：将 LRU 升级为 TLRU，Android 图片缓存节省 50MB+
为改进 Android 应用图片缓存管理，Grab 工程师将 LRU 升级为 TLRU。通过引入基于时间的过期机制，fork Glide 项目扩展 DiskLruCache 实现。此方案让 95% 用户缓存省 50MB，可回收数 TB 存储空间。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
从《塞尔达传说》理解 Agent 的上下文工程：Claude Skills 还是被低估了
Claude Skills 是为 AI 设计的「技能包」，能把复杂任务指令打包。作者认为其信息分层设计哲学是关键突破，以《塞尔达传说》为例，介绍了信息分层和按需加载理念，还阐述了三层架构及应用案例、挑战和通用原则。
当代码遇上大模型：智能编程助手的架构设计与工程实践
在 InfoQ 举办的 QCon 全球软件开发大会上，字节跳动段潇涵介绍如何基于大语言模型构建智能编程助手。他分享实践经验，剖析研发痛点，介绍技术架构，还探讨未来发展方向，如认知增强、工具整合等。