「规模化评测」共找到 768 篇相关文章
Meta全开源HumanCLAW：基础模型正进入具身智能的决策层
过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。
都说记忆是Agent标配，但MemSyco发现漏算了一件事
厦门大学与吉林大学的最新研究指出，随着大模型Agent具备长期记忆，虽成为“长期协作者”，但也出现Memory-Induced Sycophancy问题。为此提出MemSyco - Bench评测基准，经实验得出多项发现，指出Agent Memory关键瓶颈转变。
好的 founder 都懂的道理：taste 才是 AI 创业最大的壁垒
文章深入探讨AI创业中品味的重要性，指出品味是新稀缺资源，难以量化。它让产品传递理念，是决策复合效应，与速度不冲突，还阐述打造、销售及规模化品味的方法，也说明其并非万能。
全球最大AI榜单塌房！52%高分答案全是胡扯，硅谷大厂集体造假？
2025年底，《LMArena is a cancer on AI》一文引发关注，其指出LMArena这个权威大模型评测平台问题严重。Surge AI调查发现，52%获胜回答事实错误，39%投票结果与事实相悖，Meta还曾为榜单优化模型。
Generalist爆火背后：具身智能真正的竞争，已不在模型
Generalist AI发布的GEN - 1模型引爆具身智能领域，其多项指标出色，预示具身智能竞争从模型层转向基础设施层。行业关注焦点转移，数据正从‘静态数据集’演进为‘动态教育系统’，评测与仿真基础设施成关键。
真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge
Scale AI发布首个原生音频多轮对话基准Audio MultiChallenge，撕开大模型靠合成语音评测维持的假象。实验显示，Gemini 3 Pro等模型在真实场景表现不佳，还揭示了模型在语音交互中的三大失败模式。
吴恩达复盘百度岁月：我带过的自动驾驶、智能音箱都成了！Altman 我也带过，但 Gemini 3 比 ChatGPT 强
吴恩达团队提出新版图灵测试，重新界定 AGI。他参加播客谈及 AI 发展关键议题，认为 AGI 短期内难实现，规模化时代未结束但非唯一路径，AI 不会大面积取代岗位，中美 AI 各有所长。
从「会表演」到「更会演」：KlingAvatar2.0让数字人拥有生动灵魂
近日快手可灵团队发布 KlingAvatar2.0 技术报告，数字人能‘生动表达’。它有三大创新技术，如时空级联框架等。实验显示其生动性大幅提升，性能超竞品，推动数字人在多领域规模化应用。
让OpenAI只领先5天，百川发布推理新模型，掀翻医疗垂域开源天花板
百川智能发布医疗推理大模型Baichuan - M2 - 32B，在OpenAI的Healthbench评测集上超越刚发布5天的gpt - oss - 120b，领先多数前沿模型，支持RTX4090单卡部署，还首创患者模拟器和Verifier系统。
大模型私有化火了：百万一台的一体机卖疯，最赚钱的一层却没人愿干
文章指出大模型私有化部署虽因合规、开源模型及国产算力发展而兴起，但利润结构呈哑铃状。算力层规模大但毛利低，模型层因开源难盈利，交付层最赚钱却因项目制难规模化，国际市场也类似。