「评测指标」共找到 874 篇相关文章
腾讯与中科院联合提出R-4B，一个能自动决定是否思考的多模态大模型
多模态大语言模型“始终思考”模式有缺陷，腾讯混元团队与中科院自动化所联合提出R - 4B，通过双模式退火训练和双模式策略优化实现自动思考，在多评测中达SoTA，省资源且效果好。
具身智能机器人年度总结，来自英伟达机器人主管
英伟达机器人主管Jim Fan在2025年末判断机器人领域仍处蛮荒时代。他指出该领域缺乏统一评测体系，硬件进展快但可靠性不足限制软件迭代，VLM→VLA技术范式有问题，还分享了数据、模型等方面情况。
深入解析多邻国的 FinOps 之旅：将云支出转化为工程洞察
多邻国在《每位工程师都该了解的 FinOps》中分享实践经验，将财务意识融入工程流程，用成本可视化机制让开发者了解成本影响，采用相关指标平衡创新与效率，借助工具优化成本，行业正从‘削减成本’转向‘数据驱动责任制’。
UserBench 与 UserRL 带来的交互智能范式转向
当下大模型在与用户交互时存在不足，来自UIUC与Salesforce的UserBench和UserRL两篇新作，将‘用户价值’量化，把‘可测的交互’转化为‘可训练的策略’，从评测和训练层面推动模型向‘懂用户’转变。
梁文锋突袭马斯克！DeepSeek V4 Pro对战Grok 4.6，首测夯爆了
梁文锋凌晨发布DeepSeek V4 Pro正式版，马斯克推出Grok 4.6，二者在多项评测中表现出色，直逼OpenAI和Anthropic顶尖模型，还降低了前沿智能价格。首测中，二者在真实任务场难分伯仲。
全球第二、国内第一！钉钉发布DeepResearch多智能体框架，已在真实企业部署
在数字经济浪潮中，企业对高效信息获取与决策支持需求迫切，但现有研究系统存在不足。阿里巴巴钉钉团队提出Dingtalk - DeepResearch多智能体框架，在评测中成绩优异，已在真实企业场景部署。
上交×蚂蚁发布 DiagGym：以世界模型驱动交互式医学诊断智能体
上海交通大学与蚂蚁集团等团队提出新训练框架，构建面向医学诊断的世界模型DiagGym，训练诊断智能体DiagAgent，还设计评测基准DiagBench。实验显示该框架下的智能体表现优于先进模型，代码等已开源。
GraphRAG圈新秀：文档级RAKG
随着大模型能力增强，知识图谱成研究热点。传统KGC有实体消歧难、模式僵化等痛点。文章提出RAKG框架，将RAG评估机制引入知识图谱构建，实现文档级自动化构建与评估，多指标表现优异。
文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平
澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。
10万token自然语言推理，让30B-A3B模型站上奥赛金牌线
上海人工智能实验室报告显示，30B - A3B规模的SU - 01模型不依赖外部工具，经训练在IMO、USAMO、IPhO等奥赛评测达金牌水平。研究还验证更高效科学推理系统路线，有望用于更多科学问题。