「评测实践」共找到 1138 篇相关文章
大涨240%，Doc-Researcher确立多模态文档深度研究新范式
在ChatGPT引领的AI革命中，大语言模型面对专业复杂文档常“束手无策”。Doc-Researcher提出三位一体解决方案，构建M4DocBench评测，性能远超现有方案，还适用于多产业场景。
你的 AI 助理一闭嘴就在「发呆」？上交大 ProAct：把 Agent 的空闲时间变成生产力
上海交通大学 APEX 实验室提出 ProAct 架构，能把对话空闲时间转化为主动准备机会。它有预测、筛选、交付三级流水线，经 ProActEval 评测效果佳，证明算力用对地方更重要，让 Agent 能提前为用户准备。
Anthropic：怎么才能控制模型的行为，做好Agents?
Anthropic发关于AI Agents博客，围绕如何配置上下文让模型输出期望行为展开。指出上下文是有限资源，有Context Rot现象，介绍了上下文工程概念、构成，还提及即时策略、长时间任务处理方法及实践建议。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
还在复制粘贴提示词？Memory+Checkpointing 让你从"每次重头来"到"迭代越来越快"
文章介绍了Claude Code最佳实践地图，它将零散手动探索工程化，把关键模块整理成可导航路线图。核心功能包括三段编排、Subagents、Memory + Checkpointing，还给出不同场景方案及使用方法。
鹅厂人的2025上半年必读书单推荐｜大牛书单
鹅厂同事认为AI时代程序员无需死磕工具书，但不能放弃系统性学习，应策略性地用书籍搭建知识骨架、AI填充细节、项目实践注入灵魂，还精选了2025上半年大牛书单。
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。
具身智能“高考”难疯了！人类100分，最强模型12.8
原推出RoboTwin系列基准的团队带来RoboDojo，这是统一的仿真+真实世界机器人操作评测基准。它设42个仿真任务、18个真实任务，让30个主流策略竞技，结果显示机器人距通用操作差距大。
兼顾效率、成本与能力，百灵开源旗舰推理模型 Ring-2.6-1T
5月15日，蚂蚁百灵开源旗舰级推理模型Ring-2.6-1T，权重文件上线Hugging Face、ModelScope平台。该模型有万亿参数，‘按需思考’，在代理执行、推理机制、训练范式三方面升级，评测表现出色。
DeepSeek急招Agent方向！一口气放17个岗位，重度Vibe Coding用户优先
DeepSeek一口气开放17个招聘岗位，核心聚焦Agent方向，覆盖算法研究、数据评测、基础设施等全链条。岗位要求显示其Agent布局从研究落地到能力建设，还追求数据闭环与技术栈全面布局。