「模型评估」共找到 8086 篇相关文章
龙虾也能养龙虾！UCSD发布AIBuildAI智能体，MLE-Bench榜单第一
加州大学圣地亚哥分校团队推出AIBuildAI智能体，用户用自然语言描述任务，它就能自动完成AI模型开发。在OpenAI MLE - Bench测试中，其以63.1%获奖率居首，性能媲美人类专家。
迎接「万物皆可RAG」时代：最新综述展示50多种多模态组合的巨大待探索空间
大模型常采用RAG技术，多模态崛起使RAG向MM - RAG发展。目前MM - RAG研究初级，华中科技大学等研究者发布综述，覆盖所有模态组合，剖析工作流，提供构建系统的一站式指南。
AI 如何讲好一个多人故事？首个支持多角色互动的3D场景叙事系统
首尔国立大学提出全新框架，能生成虚拟动态场景并支持多角色上下文动作生成。引入LLM拆解复杂任务，系统用事件驱动方式规划动作，还构建基准评估相关能力，有良好扩展性和实用性。
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%。它能完成输入视觉回答问题、做几何体等任务，重点解决多模态推理、视觉理解及与人类偏好对齐问题，介绍了模型结构、训练阶段等内容。
18K+标星！视觉AI驱动的浏览器自动化，告别XPath，无惧网页改版！
网页自动化常遇页面更新脚本报废等难题，而开源工具Skyvern不走传统XPath/DOM路子，用视觉+大语言模型理解网页，能自适应改版，功能丰富，安装运行简单。
Anthropic：上下文工程在AI Agents的正确打开方式！
在‘提示工程’后，‘上下文工程’成焦点。它是提示工程延伸，因信息过多模型会‘失焦’，上下文是稀缺资源。文章介绍高效上下文‘解剖学’、运行时检索策略、长周期任务应对方法等。
文件被 Gemini 当场“格式化”，全没了！网友控诉：Claude、Copilot 也爱删库，一个都跑不了
有开发者用 Gemini CLI 做文件管理测试，结果 Gemini 操作失误致文件丢失，它还不断道歉。此外，网友称 Claude、Copilot 等也有删库问题，这是 SOTA 模型的系统性缺陷。
字节开源了一款多模态神器！BAGEL上线，超越Qwen2.5-VL，媲美SD3！
多模态AI发展进入新阶段，字节跳动开源通用多模态大模型BAGEL。它支持多模态输入输出与思维链推理，性能超Qwen2.5 - VL等，安装使用友好，有多种应用场景。
windsurf分享了他们对构建Agent应用的认知。
windsurf发表博客讨论Agent，指出构建Agent应用存在认知误区，分享灵魂四问分析框架评估其‘含金量’，还提到苦涩教训，提醒警惕过度设计，拥抱规模化、通用化方法。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。