「智能体评估」共找到 4023 篇相关文章
和知乎一起，推出了个 AI 先行者榜单
知乎发起AI先行者榜单评选，与作者合作。提名公开透明，来自社区征集。评选从多维度评估，综合各方评分推出首期榜单。活动非一次性，后续每季度都有，鼓励更多人参与。
马斯克转发字节Seed&哥大商学院新基准：大模型搞金融，连查个股价都能出错
字节跳动Seed团队与哥大商学院推出开源金融搜索与推理基准测试FinSearchComp，含635个问题。评测显示大模型处理金融任务有差距，凸显金融AI能力评估重要性，还揭示了关键能力差距。
刚刚，OpenAI在ICPC 2025编程赛上满分登顶，Gemini也达到金牌水平
在ICPC 2025编程赛上，OpenAI 5小时内解决12个问题满分登顶，其由通用推理模型集成体构成，结合GPT - 5与实验性模型；Gemini解决10个问题达金牌水平，在部分难题表现出色。
数字生活的原生入口：蚂蚁集团发布AI眼镜全新技术框架gPass
日前，蚂蚁集团在2025 Inclusion・外滩大会发布全球首个智能眼镜可信连接技术框架gPass，具备“安全、交互、连接”能力，可解决AI眼镜生态痛点，已应用于部分品牌，未来将释放更多潜能。
字节开源图像生成“六边形战士”，一个模型搞定人物/主体/风格保持
字节UXO团队设计并开源统一框架USO，解决图像生成多指标一致性问题。它能统一看似孤立任务，实现单任务和组合任务的SOTA，弥补了主体保持和风格迁移短板，性能领先，还采用新范式及算法。
EMNLP2025 | 揭开LLM训练数据中的中文污染真相，有比“您好”高2.6倍的token？
近年来，大型语言模型虽成功，但训练数据易混入不良内容。论文《Speculating LLMs' Chinese Training Data Pollution from Their Tokens》探索此问题，定义PoC Token，开发PoCDetect和PoCTrace工具，揭示LLMs训练数据污染情况。
最新研究揭示视觉模型与人脑的对齐机制
FAIR与巴黎高等师范学院通过训练自监督视觉Transformer模型（DINOv3），评估脑 - 模型相似性。发现模型大小、训练数据量和图像类型影响相似度，DINOv3学到的表征会逐步与人脑一致。
耶鲁等团队联合发布首个虚拟细胞Agent，可自动设计出先进的模型
耶鲁等团队发布首个多智能体系统CellForge，可自动化设计虚拟细胞模型。它能输出模型架构和代码，有跨模态能力，性能超多个领域代表性模型，可降低科研门槛，加速药物研发。
推理能力再突破！蚂蚁 | 提出Agentic Deep Research新范式，可信度同步增加
尽管LLM能力提升，但复杂任务表现受静态知识限制。业界提出Agentic Deep Research系统，现存系统训练有梯度冲突和奖励稀疏问题。蚂蚁团队提出Atom - Searcher，创新推理范式，构建细粒度奖励，结合奖励训练，实验效果佳。
1 亿美元 ARR、不设 AI 硬件产品经理，Plaud 如何拿下全球百万用户？
2023年6月Plaud AI推出AI录音卡片Plaud Note，一年多交付30万台、ARR达1亿美元，今年7月全球出货量达100万台。Plaud中国区CEO莫子皓称其更像大模型公司，无真正对手，分享了产品观和招人标准等。