「同质化评估」共找到 1447 篇相关文章
The Batch: 952 | GPT-5.5 性能领先，但幻觉问题突出
OpenAI 最新旗舰模型 GPT-5.5 是闭源视觉 - 语言模型，在重要基准测试中表现领先，但在区分已知未知内容上有困难，幻觉问题突出，在主观评估中落后于对手。
北大开源统一世界模型框架：多类合成推理任务一套搞定
世界模型研究中，不同任务存在接口不统一等问题。北大DCAI课题组联合多方推出OpenWorldLib推理框架，整合多模态能力，构建标准化接口体系，在多任务上评估效果良好，降低研发门槛。
MiniMax 上市后的第一个开源：给 Coding Agent 立个规矩
2026 年初 MiniMax 成功上市港股，市值达 1100 亿港币。其上市后首个开源项目 OctoCodingBench 聚焦 Coding Agent 评估，解决规则复杂时 Agent 合规问题，为其立规矩，有重要社区价值。
让Agents更聪明，3招搞定记忆管理~
文章深度分析开源项目Memori，探讨Agent记忆管理。它将记忆分短期和长期，通过三个Agent协同工作实现长短期记忆功能，使记忆成结构化知识库，且能无缝衔接多种API。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
240 款 AI 软件定价分析：从席位到成果，AI 定价的五种趋势
国外科技作者 Kyle Poyar 收集超 240 家软件公司数据，分析 AI 软件定价。指出传统定价面临挑战，混合定价成主流，还介绍常见策略、结果定价问题、价格透明化困境及企业准备不足等情况。
Vercel 推出 Drains 功能：实现统一数据导出
Vercel 发布 Drains 系统，将平台可观测性数据统一导出至外部服务，覆盖多来源日志等。用户可两种方式配置，导出数据与多系统兼容，能简化接入流程、减少管道碎片化。
Karpathy头疼的“AI游戏困境”，被这款15分钟出包的国产神器破解了
8月初Andrej Karpathy指出通用AI做游戏时，LLM无法高效审查工作的弱点。而国产平台Spellcaster能先解析自然语言确定游戏设计，15分钟出包，还内置测试员验证，团队想工程化落地新方向。
CVPR 2026｜突破3D空间推理瓶颈：北大联合南科大提出QuatRoPE，让大模型精准理解三维物体关系
北大联合南科大团队提出全新 3D 位置嵌入方法 QuatRoPE，改善大语言模型 3D 空间推理痛点。还提出 IGRE 降低干扰，构建 ASR 基准评估能力。研究被 CVPR 2026 接收，代码与模型已开源。
The Batch: 941｜盲人辅助模型中的隐患
视障患者用AI评估外貌引发关注。失明记者Milagros Costabel撰文探讨用视觉语言模型作“虚拟镜子”的挑战与隐患，如AI会给出评判性反馈，心理学家担心这加剧抑郁焦虑。产品应提供客观解读。