「证据级能力」共找到 3942 篇相关文章
MLLM集体翻车，缺乏婴儿级常识！业界首个核心认知基准发布，LeCun转赞
当前大模型在12项核心认知上普遍落后人类10 - 30%，越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库，用Concept Hacking方法识破模型真假理解，指出模型存在核心知识缺失等问题。
浙大开源HugAgentOS：三引擎一体自进化，每步可归因/回放/回滚
过去一年，Agent任务执行能力提升，但不会自主积累与进化。浙大开源的HugAgentOS把Harness拆成三个可自我成长的引擎，设归因和本体两道关卡，解决经验成能力等问题，还覆盖智能体完整链路。
魔笔 AI Chat Builder：让 AI 对话秒变可交互界面
文章介绍阿里云魔笔AI Chat Builder，它能将AI对话变可交互界面。对比现有AI应用开发方式，阐述其综合优势，还介绍核心能力、搭建方法、多端发布等，未来将打磨能力并推新功能。
硅谷资深工程师：不止是 AI 产品，Coding 也需要好的 taste
硅谷资深工程师sean goedecke指出，技术品味与能力不同，其核心是为项目选适配工程价值观的能力。文章给出判断技术品味的方向，还阐述了好坏品味的识别方法及培养良好品味的建议。
Karpathy点透AI认知撕裂：顶级圈子正集体患上AI狂热症
人们对AI能力认知差距大，部分人用旧版模型评判AI，而前沿模型进步多在专业领域。付费深度使用前沿模型的人有强烈AI狂热症，技术领域进展得益于奖励函数和企业级应用价值。
AI x 大前端性能稳定性：快手亿级 DAU 下的智能诊断实践
本文整理自快手移动端稳定性负责人李锐在 2025 年 QCon 大会的分享。介绍快手大前端性能稳定性挑战，阐述借助「柯南 AI」赋能排障的实践，含根因排障和应急处置案例，还谈了开发中思维切换等认知。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。
史诗级痛点修复！GPT-5.3 Instant 突发上线：写作，语气，准确度全面升级
ChatGPT目前使用率最高的模型GPT-5.3 Instant正式上线，核心优化用户日常交互体验，解决此前反馈强烈的痛点，如削减拒答与说教、让对话更自然、优化联网搜索等，还降低幻觉率，提升写作辅助能力。
Qwen3.8-Max 正式版终于发布了，能不能打过 GPT 看这里
Qwen 3.8 Max 正式发布，沿用 Qwen 3.5 架构，参数量扩展，重点提升 Coding、Work 和 Agent 能力。它将开放权重，价格有优势。在多项测试中表现出色，还新增多模态能力，已可使用并有优惠。