搜索：学术评测体系

「学术评测体系」共找到 1298 篇相关文章

高效智能体的「幕后推手」是谁？一篇综述带你从记忆×工具学习×规划看透

随着大模型能力提升，业界关注智能体落地，而高效性是决定能否上线的‘硬’问题。论文梳理‘高效智能体’综述，从记忆、工具学习、规划三机制出发，还谈及基准评测、挑战与展望。

上海人工智能实验室等团队设计REST框架，在一个prompt里抛多问题模拟复杂推理场景。结果显示，DeepSeek - R1等模型高压下性能大幅缩水，REST能拉开不同模型差距，还揭示评测方法局限。

近日，XYZAI Lab发布两款Deep Search Agent，刷新多项评测SOTA成绩。其背后是新型AI4AI研发范式，让AI驱动研发闭环。XYZ团队用AI解决多方面问题，在Deep Search验证，未来有望拓展更多场景。

Robotaxi行业竞争重点转向安全可信能力建设。6月29日，图灵奖得主约瑟夫·希发基思出任曹操出行AI创新中心首席科学顾问，其理论可补全自动驾驶可信论证体系，助曹操出行搭建全链路可信AI底层安全框架。

MobiAgent是强大的移动端智能体系统，含智能体模型家族、加速框架、评测基准。能让AI像真人操控手机完成复杂任务，提供开箱即用App，内置经验检索模块可自动优化规划。

技术发展迅速，淘宝力求将AI融入应用场景解决用户问题。今年3月升级AIGX技术体系，近日郑波公开淘宝全模态大模型进展，认为狭义AGI或5 - 10年到来，多模态智能成关键技术域。

在文化遗产与人工智能交叉领域，研究人员提出把大型多模态模型放于‘诊断—补弱—精细化评估’闭环训练，配套结构化评测基准，让模型在文化遗产领域接近专家级能力。介绍了技术步骤、数据基准及关键发现等。

OpenAI等厂商将规范融入大模型。上海交大等团队提出规范对齐概念，构建评测基准SpecBench，揭示主流模型不足。探索测试时深思方法，如Align3，能提升模型规范遵循度，项目已开源。

OpenAI发布编程系统GPT - 5 - Codex，它是GPT - 5针对Codex产品的升级。能独立处理复杂编程任务，在性能、代码审查、前端开发等方面表现出色，还有严密安全体系，驱动Codex产品生态升级。

Meta为24岁AI研究员Matt Deitke开出2.5亿美元薪酬包，震惊业界。他学术履历普通，项目也遭质疑独特性。但Meta重金抢人，反映AI人才争夺激烈，也改变了年轻工程师命运。