「成果评估」共找到 1444 篇相关文章
Seedance 2.0之后，又一中国视频模型SkyReels-V4登上全球第二
昆仑天工发布SkyReels V4视频大模型，在Artificial Analysis Arena基准测试中排全球第二。它支持多模态输入、音视频同步生成等，采用独特架构与技术，经多阶段训练，有全新评估基准，表现出色。
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
基于聊天的 AI 编程高效实践
本文探讨 Agent 对软件开发和开发者工作流的影响，以 GitHub Copilot“Agent 模式”构建维基搜索应用为例，对比不同 LLM 模型性能，指出要发挥 Agent 效能，可采用人机协作流程，经验是掌控其成果的关键。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
科学家把大脑切片接上机械手，它自己学会了弹琴
法国国家科学研究中心等机构研究人员将死者脑切片放培养皿，连接机械手，经训练机械手学会曲子。研究证实学习依赖神经活动，虽成果距应用远，但为脑科学研究提供观察窗口，也引发伦理思考。
刚刚，Ilya又发神图「思考者」！AI芯片海洋上在想啥？
AI圈神秘领袖Ilya在Instagram上传画，画面是「思考者」踩在芯片Die Shot上，引发全网解读。同一时间，OpenAI公布数学成果、升级Codex，还传准备秘密提交IPO招股文件，引发新一轮狂欢。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
四川美术学院团队用AIGC“复活”千年非遗，时尚又未来！
四川美术学院汪泳教授团队发起“锦绣西南”项目，引入AIGC对古老织锦纹样创新演绎。该项目成果丰富，如科普网页、AR应用等，还获阿里云支持，探索非遗传承、传播与应用新路径。
OpenAI与Anthropic罕见合作：竞争对手联手测试AI安全
OpenAI和Anthropic完成联合评估，用内部工具测对方模型并公开结果。测试覆盖指令层级、越狱等四大领域，还发现不少细节和道德困境情况。此次合作意义重大，为行业树立安全合作先例。