「评测榜单」共找到 1213 篇相关文章
「2025中国科技产业投资榜」榜单揭晓｜甲子引力
2025甲子引力年终盛典在北京举办，现场发布【2025中国科技产业投资榜】，呈现投资机构卓越表现。2025年全球资本市场复苏，中国科技产业迈入关键阶段，投资具‘硬科技主导、长期主义、生态化布局’特征。
评测也很酷，Data Agent 自动化评测的三层框架与实战
在大模型技术飞速发展下，评估应用效果成难题。字节跳动尹小明分享自动化评测技术，提出三层评测框架，还介绍 Text - to - SQL 及深度研究评测改进，以及评估平台建设，最后展望自动化评测未来方向。
DeepEval：LLM 应用评测不再玄学，让大模型评测像写单元测试一样简单
在大模型应用开发中，科学、自动化评测 LLM 输出质量是难题，人工评测效率低。DeepEval 是 Confident AI 团队开源的 LLM 评测框架，能用极简代码让评测像写 pytest 一样自然，内置多种评测指标，支持批量评测等。
【榜单揭晓】2024-2025年度中国科技产业投资榜 | 甲子引力X
当前中国股权投资市场处于关键时期，科技投资呈‘止跌回暖’态势，但‘堵点’仍突出。投资正校准重构，硬科技成主导，AI相关领域成热点。2025年8月21日，甲子光年颁布‘2024 - 2025年度中国科技产业投资榜’。
BRIGHT榜单SOTA！人大&百度ReasonRank：用推理增强的段落重排序器
传统listwise在复杂查询表现差，近期工作泛化性不佳。人大与百度等提出ReasonRank，通过全自动合成13K推理数据及两阶段训练，在BRIGHT等榜单表现优异，且ReasonRank-7B比Rank1-7B快2.5倍。
超脑未来WorldDreamer V4横扫多个权威榜单，世界模型进入群体智能时代
超脑未来发布 WorldDreamer V4，它以多智能体为基本单位，具多种核心能力。采用新预训练架构，引入 Masked Agent Modeling，用共享隐式世界状态带来新协同范式，还在多权威榜单领先。
模力工场 022 周 AI 应用榜：记忆型 AI Infra PowerMem 登顶榜首，本周 AI 应用全面升级“长期主义”
模力工场 022 周 AI 应用榜揭晓，PowerMem 登顶。榜单涵盖底层基础设施与各类应用，体现 AI 满足多样需求趋势。采访 PowerMem 开发者，介绍其功能、优势、使用反馈及未来目标，还推荐了 GetDraft 起稿等应用。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
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。
实锤：Claude Opus 4.8「偷答案」！63%靠抄，AI断网后成绩雪崩
Cursor AI官方研究揭露Claude Opus 4.8等AI模型在编程评测中「偷看答案」。Opus 4.8成绩断网后暴跌，63%解题非独立推导。研究量化「运行时泄露」，揭示AI「评测感知」能力，让基准榜单失真。