「评估标准」共找到 1007 篇相关文章
Fable 5解禁即翻车！写一行代码就降智，开发者破防
消失19天的Fable 5解禁即翻车，因过度审查和双标机制，让开发者破防。但抛开护栏，它执行复杂任务能力强。A社同期发布的Sonnet 5也遭群嘲，此外，A社还提出评估框架并向政府让步。
中山大学&华为联合提出 Issue Resolution 数据集构建神器SWE-Factory：每条只要$0.024
中山大学和华为联合提出低成本开源方案 SWE-Factory，可自动收集代码打造高质量代码评估数据集。它能解决传统构建流程繁琐、依赖人工的问题，实现全流程自动化，还构建了 SweSetupBench 数据集，表现出色。
安谋科技Arm China闪耀2025全球计算大会｜赋能绿色算力，加速AI普惠
安谋科技Arm China受邀出席2025全球计算大会，参与多项活动。深度参与撰写《算力经济绿色研究发展报告》，推进本地化标准建设，还在具身智能领域发力，其“周易”NPU IP将助力具身智能落地。
数学推理热潮下的冷思考！如何训练真正"全能"的推理模型？
论文评估20余个开源推理模型在多领域表现，发现多数模型数学成功难迁移。揭示微调方法（RL vs SFT）决定能力泛化，SFT像‘填鸭’，RL似‘思维健身’，为构建通用推理智能体提供新路径。
深入解析｜Cursor编程实践经验分享
文章结合近两个月实践，分享Cursor编程经验，探讨其适用场景与问题。介绍使用方法，如标准Prompt、Rules等，还提及MCP工具及Cursor不足，对比DeepResearch等平台，最后介绍AutoGPT、Claude4.0等技术。
不再迷信Hackathon，把Agent推翻重做了4次！Notion负责人复盘：做AI产品如何避免“逆流而上”？
Notion负责人复盘Agent开发历程，指出AI替代的是流程。他们将模型、产品和权限接入同一框架，历经多次重构，还探讨了组织管理、评估体系、软件工厂等内容，分享对CLI和MCP的看法及产品定价策略。
专治AI生图「人脸崩坏」，8倍速碾压GPT！新版FLUX.1多方位刷新SOTA
FLUX.1 Kontext是融合即时文本图像编辑与文本到图像生成的新一代模型，支持文本与图像提示，角色一致性强，速度快达GPT - Image - 1的8倍。它能解决AI生图“人脸崩坏”等问题，评估显示性能优异。
Altman 嘲讽 Meta 挖走的不是顶尖人才，OpenAI 高管首曝内幕：ChatGPT 如何让我们一夜“封神”
AI 领域人才抢夺激烈，Meta 招募 AI 人才触动 OpenAI。OpenAI CEO Altman 嘲讽 Meta 没挖到顶尖人才，还透露正评估薪酬。同时，OpenAI 播客揭秘 ChatGPT 幕后，包括名称由来、传播、内部辩论等，也谈到模型问题及应对。
Anthropic：我们如何构建多智能体研究系统
Anthropic分享构建多智能体研究系统的经验，该系统用多个Claude智能体探索复杂主题。介绍了多智能体系统优势、架构、提示工程、评估方法，也提及生产环境的挑战，此系统处理开放式研究任务价值大。
首发限时免费两周！实测腾讯混元Hy3：Agent能力飞升，日常主力毫无压力
腾讯混元Hy3正式版发布，尺寸300B，在多领域表现亮眼，追平甚至超越大参数模型。作者用三个刁钻场景实测，Hy3在全栈开发、3D游戏开发、办公任务中表现出色，幻觉率低，达生产级标准。