「测评体系」共找到 728 篇相关文章
终于有AI视频模型，解决了体操难题。
前天深夜MiniMax发布Hailuo 02视频模型，虽未正式上线但放了预告片。该模型能生成杂技动作，解决了体操难题，在复杂动作肢体表现上吊打其他模型，还支持原生1080P，价格便宜。
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。
一年三轮数亿融资！AI新材料研发企业鼎犀智创跑出加速度｜甲子光年
AI新材料研发公司鼎犀智创近日完成数亿元Pre - A轮融资，是一年内第三轮。其以「RhinoAI智能研发平台」为核心构建研发闭环，推动材料研发从「经验试错」到「智能设计」，还与产业龙头合作，成果显著。
科技巨头深入美国课堂，用免费设备和AI培训“控制”下一代
《纽约时报》记者 Natasha Singer 指出，科技企业全面介入美国教育“供应链”，用免费设备和培训影响课程设计。虽推动了教育普及，但也引发利益冲突质疑，教育界应谨慎应对，划清与企业的边界。
1美元买10颗星？顶会曝出GitHub假星灰产，热门仓库或藏木马
ICSE顶会论文曝出GitHub上600万颗星可能是刷出来的，大量“热门项目”或为恶意软件仓库。研究团队来自多所高校和公司，公开了检测方法和源码。刷星短期有用，长期是负资产，还可能藏木马，研究团队给出治理建议。
多智能体编排太繁琐？MASFactory用Vibe Graphing直接「话」出来了
多智能体系统编排当前较为繁琐，北京邮电大学开源 MASFactory 框架，提出以图为中心架构和 Vibe Graphing 开发范式，将开发推向自然语言驱动时代，系统评估显示其效果良好。
从视觉出发统一多模态！颜水成团队最新研究：不再把图像编解码器塞进LLM｜ICLR'2026
NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。
突发：ALSM大裁员，重点“砍向”管理者！网友：经理越多，收入就少
全球半导体光刻机巨头ASML宣布因全球成熟制程设备需求放缓及出口监管收紧，计划全球削减约1700个岗位，主要是管理层，引发技术社区对管理膨胀问题的讨论。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
谷歌推出 Jules：一款基于 Gemini 2.5 的异步编程智能体
谷歌将异步智能编程助手 Jules 正式发布，它基于 Gemini 2.5 Pro 模型，可执行多种编程活动。采用异步模式，直接接入代码库。测试阶段开发者反馈多，正式版有三种访问层级，但部分用户对其界面和输出质量不满。