「真机评测」共找到 1063 篇相关文章
ACL 2025 Oral | 你的模型评测搭子上线：Evaluation Agent懂你更懂AI
上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。
大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准
现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。
LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”
OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。
刚刚，OpenAI全员放假一周！被Meta高薪连挖8人「偷家」，真麻了
生成式AI竞争激烈，OpenAI却宣布全员放假一周，原因是被Meta高薪连挖8人。OpenAI高管承诺正面交锋，Mark Chen称不会袖手旁观，还鼓励员工留下，公司更专注实现通用人工智能。
英伟达笑到最后！训练2000步，1.5B逆袭7B巨兽，Scaling真来了
英伟达团队提出ProRL训练法，将强化学习扩展到超2000步。用此方法训练的15亿参数模型媲美70亿参数的Deepseek - R1 - 7B，在多任务中表现出色，解决了熵崩溃和训练不稳定问题。
开源首月斩获 1K+ star！大学生开发web终端工具，颜值高、功能强，真吊啊~
传统远程终端工具存在界面单一、功能有限等问题。大学生开发的开源Web应用Nexus Terminal，集成SSH等三大协议，有多重安全机制，适合中小团队运维等，开源首月获1K+ star。
牛B, 我真的起飞啦，6.4k Star Bright Data CLI～～～～
约6.4k Star的Bright Data CLI想解决AI Agent访问网页难题，把网页变成易被模型读懂的材料。它将网页访问能力拆成终端可组合动作，还关注工程化细节，让Agent上网有章可循。
夯，还真的很不错，8.2k Star scroll-world，太丝滑～～～～
许多官网滚动特效不佳，scroll - world 让滚动驱动无切镜的品牌旅程。它通过生成镜头链、对齐接缝实现沉浸体验，还给出适用场景和接入方式，虽非零成本但复用了经验。
它石智航用“吉尼斯纪录”交卷真干活的具身大脑，丁文超：从来没有Plan B
它石智航在获巨额融资后埋头研发，其A1机器人创线束装配吉尼斯世界纪录。该公司打造具身大脑AWE 3.0，还推出SenseHub数采套件，发起具身数据星火计划，推动具身智能发展。
真·养虾！3步让龙虾边聊边进化，不用GPU不用数据集就能强化学习
程序员给智能体套在线强化学习系统MetaClaw，把用户与AI对话变训练数据。它基于Kimi - 2.5，用SkillRL框架，不依赖本地GPU，训练交Tinker云平台，三步即可上手。