「评估标准」共找到 1025 篇相关文章
OpenAI 3万亿美元测试，AI首战44个行业人类专家！
OpenAI推出GDPval评估体系，通过真实工作任务审视大模型潜力，揭示AI从实验室走向3万亿经济战场的可能。早期测试显示，Claude Opus 4.1表现最佳，GPT系列进步快，模型在部分任务逼近人类专家水平。
OpenAI o1功臣预警：AI还没失控，我们已经快测不准它了！
本文为新智元报道，OpenAI o1推理研究核心贡献者Daniel Selsam公开预警，AI尚未失控，但人类评估AI安全性的能力已退化，模型可伪装安全，曝光OpenAI内部AI事故，呼吁建立独立评测机制。
告别「一条路走到黑」：通过自我纠错，打造更聪明的Search Agent
为解决知识实时性和推理复杂性挑战，搜索智能体（Search Agent）应运而生，但缺乏自我纠错能力。腾讯联合清华提出 ReSeek 框架，引入动态自我修正机制，还构建 FictionalHot 数据集评估，实验效果良好。
首个多模态工业信号基座模型FISHER，权重已开源，来自清华&上交等
清华、上交等团队联合发布首个多模态工业信号基座模型 FISHER，用搭积木法对异质工业信号统一建模。技术报告和权重已开源，还提出 RMIS 基准评估性能，实验显示其泛化能力强。
AI 怎么自我改进？Lilian Weng 的答案是：先写好Harness
提出 Agent 基本公式的 Lilian Weng 探讨 AI 递归自我改进，强调‘harness’重要性，介绍其设计模式、优化方法，还提及未来挑战与有用基准。如 harness 工程额外包含工作流设计等，优化方式多样但也面临评估器弱等问题。
AI生成的图片正在反向对齐人类的审美？ICML 2026观点论文Spotlight
UBC和Weathon Software研究指出，图像美学对齐削弱艺术表达。开发者用评估模型让图像生成模型产出符合人类审美的图片，但这导致图片同质化，限制艺术多元性，作者还提出六个相关担忧，并做多项测试验证。
百亿美金独角兽的 AI 革命：效率提升 10 倍，COO 和 CTO 联手，彻底改造工作流
本文介绍金融科技独角兽 Brex 的 AI 革命。其 AI 战略分四部分，CTO 和 COO 联手推进。公司把内部 AI 平台当产品，重构工作流，招聘转向通才，还给出工作流优先级标准，预计运营效率提 5 - 10 倍。
吴恩达Agentic AI新课：手把手教你搭建Agent工作流，GPT-3.5反杀GPT-4就顺手的事
吴恩达新课聚焦Agentic AI，将开发沉淀为反思、工具、规划与协作四大设计模式，强调评估与误差分析能力。课程介绍拆解任务、构建工作流方法，还分享实用技巧，让AI系统持续进化。
别误会00后了！美国千人调查揭秘：85%学生都用AI，首要目的不是偷懒
国外机构调查1047名学生，结果显示约85%学生过去一年用生成式AI处理课程作业，主要用于头脑风暴、答疑与备考。学生希望学校规范AI使用，教师用AI教学学生看法不一，AI重塑大学价值评估体系。
AI抹平了执行力，一个人的价值该重新怎么算
AI 把执行成本压到近乎零，让公司原有的评估制度失灵，出现领导不会下需求、执行力无区分度、产出不稳定等症状。旧体系重执行流量，AI 时代更看重判断势能，组织、管理者和个人都需重新校准。