「双轨评估体系」共找到 1250 篇相关文章
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。
DeepSeek陈德里开发自动研究Skill，写一篇论文人类只动脑2小时
DeepSeek研究员陈德里用自己开发的技能DeliAutoResearch等完成研究综述论文。论文提出自动研究智能体L1–L5自主度分类体系，对比四大架构模式，分析17个主流系统，还提出六大开放问题。
告别“音画割裂”与“人物崩坏”！AutoMV：首个听懂歌词、卡准节拍的开源全曲级MV生成Agent
现有AI视频生成模型做全曲MV有时长限制、音画割裂和一致性差等问题。AutoMV作为开源多智能体系统，模拟人类影视制作流程，能生成长达数分钟、叙事连贯且音画同步的完整MV。
3 个 Multi-Agent 系统，把 GPTBots 的多智能体协作玩明白了！
文章介绍如何在GPTBots平台玩转多智能体系统，阐述多智能体协作优势、架构及三种协作模式，通过旅游规划、辩论对抗、商业决策三个案例展示协作模式应用，还给出总结与进阶建议。
奥特曼亲自操刀，为日韩定制「AI强国」蓝图
OpenAI近日接连发布《日本经济蓝图》和《韩国经济蓝图》，标志其亚太战略从「产品输出」升级为「国家级合作」。在韩提出「双轨战略」，在日以「三支柱」计划为核心，助力两国借AI提升全球地位。
一篇持续强化学习技术最新综述
文章对持续强化学习（CRL）进行全面考察，关注其核心概念、挑战和方法，提出新的分类体系，从知识存储和/或转移角度将CRL方法分为四类，并分别介绍各类方法特点。
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
刚刚，大模型棋王诞生！40轮血战，OpenAI o3豪夺第一，人类大师地位不保？
国际象棋积分赛成果出炉，OpenAI o3以人类等效Elo 1685分夺冠，Grok 4和Gemini 2.5 Pro紧随其后。Kaggle发布国际象棋文本排行榜，评估模型战略推理等能力，还推出相关数据集，虽有局限但意义重大。
利用大模型从开源情报中自动提取检测规则：LLMCloudHunter，有开源
随着网络攻击增加，威胁情报成主动安全关键。以色列本古里安大学发布LLMCloudHunter框架，用大模型从开源情报自动生成检测规则，评估显示其规则质量高，且大部分能编译成Splunk查询，软件已开源。
拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？
企业级多智能体系统瓶颈常是负责分发任务的传统 Router 太“傻”，搞不定跨域、解不了冲突、跟不上变化。腾讯云开源 TCAR 智能路由模型，它先推理再选 Agent 集合，经多数据集评测表现出色，还提供完整开源范式。