「评估工程」共找到 1392 篇相关文章
中国团队重新定义“星际之门”！全球首个太空计算星座已实现常态化商用
中国国星宇航团队发射的太空计算星座，在第四届琶洲算法大赛中助力佳都科技团队完成交通行业算法上星运行，实现常态化商业运营，标志轨道AI计算进入工程化阶段。
大模型训练新突破！“不对称”训练让AI学会自我反思，推理零开销
字节团队提出全新语言模型训练方法PCL，首次打破训练与推理对称约束，实现‘训练-推理不对称’。在训练时让模型反思评估结果，推理时仅输出答案，零额外开销，显著提升模型能力。
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
极客说｜Unsloth 的全微调之路：从 Adapter 到 Full Fine-tuning
大语言模型参数多，微调难。Unsloth 原靠支持 Adapter 微调出名，现支持全参数微调，单卡就能搞定大规模模型训练。文章介绍其进化历程、关键技术、工程部署、使用优势及最佳实践。
Claude Code越更越废？！大厂AI主管公开怒喷思考深度暴跌，官方回应更被怼爆 ：菜成AI“玩具”
开发者 Stella Laurenzo 分析称，Claude Code 在 2 月更新后，思考深度下降 67%、算力消耗大增，无法用于复杂工程任务。她提出改进建议，开发者对此认同，负责人回应遭反驳，部分人考虑转用 Codex。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
新的基础设施即代码工具“formae”瞄准了 Terraform
平台工程实验室于2025年10月22日推出开源基础设施即代码平台formae，试图解决现有工具的根本性限制。它有两种操作模式，能自动发现和编码现有基础设施，使用PKL语言，还面临成熟工具竞争。
没PhD，算什么AI研究员！LeCun论文竟要28岁辍学生审批，发文「暗讽」内讧升级
Meta内讧升级，首席科学家LeCun发帖疑似暗讽新上司Alexandr Wang。LeCun列出“研究员”学术标准，点明研究与工程不同。此前Meta重组，TBD Lab审核FAIR论文，两者理念冲突，FAIR科研独立性受挑战。