「大语言模型评估」共找到 8253 篇相关文章
波士顿动力机器人终于有脑子了！人类故意使绊子也不怕
波士顿动力与丰田研究院联手基于大型行为模型，推出Atlas全新版本Atlas MTS。它能听懂自然语言指令、自主规划动作、处理意外。此次升级采用特定模型及策略，还结合VR界面。此外，波士顿动力转向电驱，电驱机器人时代将来临。
LLM近期重大架构进化一览：从Gemma 4到DeepSeek V4
近期大模型长上下文需求增长，成本问题凸显。Google Gemma 4、Poolside Laguna XS.2、Zyphra ZAYA1 - 8B、DeepSeek V4 等模型各有架构优化，如 Gemma 4 跨层 KV 共享和 PLE，以降低长上下文推理成本。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
The Batch: 883 | 美国两个州禁止人工智能驱动的心理健康治疗
美国伊利诺伊州成继内华达州后，第二个禁止用人工智能进行心理治疗的州。该法案限制聊天机器人独立治疗及其他AI使用方式，旨在保护患者和人类治疗师，但也引发对全面禁止利弊的讨论。
Claude自主发现类CRISPR新酶系统，但还不知道它能干什么，张锋点评：值得研究
本文报道Anthropic旗下Claude大模型独立完成搜索分析，从噬菌体DNA中发现此前未被发现的类CRISPR新酶系统ART，展示了大模型在生命科学新发现中的独特能力，目前ART功能尚未明确，张锋点评其值得进一步研究。
刚刚，DeepMind经典巨作再封神！ICML 2026大奖公布
ICML 2026大奖公布，杰出论文奖中两篇扩散模型论文获奖，立场论文奖指出AI安全工具被挪用问题。时间检验奖颁给DeepMind经典论文。获奖名单显示扩散模型研究热，AI安全需审视，AI研究进入深度清理阶段。
5Y News｜GIM 完成数千万元天使轮融资
日前，GIM宣布完成数千万元天使轮融资，由五源资本与Monolith投资。资金用于自研金融大模型迭代等。其定位自进化智能体投资平台，已推自研金融时序大模型，未来将推基金策略与产品。
Wan2.2-Animate又火了，5分钟让抠脚大汉秒变高冷女神。
阿里开源模型Wan2.2 Animate又火了，用照片和视频就能生成换脸视频，表情动作复刻佳。它上限高，还能变声，可用于舞蹈视频、影视二创等，但手指易崩坏。模型开源，有积极意义也有风险。
GPT-5编程测评大反转！表面不及格，实际63.1%的任务没交卷，全算上成绩比Claude高一倍
Scale AI的新软件工程基准SWE - BENCH PRO测试中，‘御三家’表面解决率低。深入看，GPT - 5已提交任务准确率比Claude高一倍。该基准新题多、更复杂，能真实考验模型能力，当前模型解决商业问题能力有限。
Karpathy的编程经验Skills，开源了，Star涨疯了。
周末，Karpathy大佬的编程经验开源skills项目火了，它把其吐槽大模型写代码的问题编译成大模型可理解的约束。安装简单，还列举了一些规则示例。如今行业把人的经验编译成Agent可执行格式，开源范式改变。