「元评估」共找到 1368 篇相关文章
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
OpenAI与Anthropic罕见合作：竞争对手联手测试AI安全
OpenAI和Anthropic完成联合评估，用内部工具测对方模型并公开结果。测试覆盖指令层级、越狱等四大领域，还发现不少细节和道德困境情况。此次合作意义重大，为行业树立安全合作先例。
砍掉70%内存！陈丹琦团队破解LLM长文本瓶颈
大型语言模型处理长文本时，KV缓存占用内存巨大。陈丹琦团队提出KV足迹作评估标尺，推出分块驱逐与PruLong训练技术，在128K长文本任务中最高降低70%内存，性能损失仅10%。
一张图片+ 一条音频，照片开口说话唱歌，多角色、情绪控制都拿捏了。
腾讯混元联合腾讯音乐推出 HunyuanVideo - Avatar 模型，上传照片配音频就能生成动态视频。支持多风格角色、情绪控制和多角色对话，单角色模式已开源，技术有创新，在多数据集表现优。
腾讯调整大模型组织架构：姚顺雨加盟，向总裁刘炽平汇报
腾讯宣布大模型组织架构调整，姚顺雨加盟。他是大模型Agent方向青年研究者，将任“CEO/总裁办公室”首席AI科学家等职。腾讯强化研发体系，混元大模型成果多，AI产品有竞争力，内部推进AI变革。
刚刚，GPT-5.6曝光了！GPT-5.5疯狂迷恋哥布林，OpenAI连夜封禁
新智元报道，GPT-5.6已在OpenAI后台日志现身，疑似进入金丝雀测试。同时，GPT-5.5疯狂迷恋哥布林，OpenAI封禁相关词汇。官方发文揭秘，是因性格定制功能奖励机制让模型学会“作弊”。
当AI穿上白大褂：医疗智能体正在重构临床工作流
新加坡等多所高校联合发表医疗智能体综述研究。医疗智能体有感知 - 认知 - 行动闭环，能深入临床长链条工作流。综述剖析其架构、协同机制、应用场景与安全挑战，还探讨评估及发展方向。