「绩效评估」共找到 735 篇相关文章
Embodied Arena：业界首个统一具身大脑评测平台重磅发布，30+模型全面对比揭示关键洞察
具身智能火热，研究者常感茫然。Embodied Arena评测平台上线，它全面统一且持续演进，涵盖22+基准测试和30+模型，构建评估体系，揭示关键洞察，为具身模型发展指引方向。
科研智能体「漫游指南」—助你构建领域专属科研智能体
该综述提供科研智能体构建指南，提出三级分级系统，阐述构建流程与能力增强方法，涵盖知识组织、注入、工具集成，还提及基准评估和未来研究方向，促进AI与自然科学融合。
滴滴出行MCP：全面解读滴滴MCP Server 的第一公里与最后一公里！
2025年8月1日，滴滴发布MCP Server v1.0.0，将运力能力抽象成JSON - RPC 2.0接口。开发人员四步即可嵌入完整闭环服务。MCP把运力‘云化’，还介绍了技术细节、安装使用、典型场景及开放限制。
不靠海量数据，如何精准喂养大模型？上交Data Whisperer：免训练数据选择法，10%数据逼近全量效果
上海交通大学等团队提出 Data Whisperer，首个免训练的注意力驱动数据选择框架。它利用模型自身能力打分挑数据，无需训练与人工标注，用 10% 数据让微调效果逼近全量数据，在多方面领先传统方法。
AI越训练，越会「满嘴跑火车」！普林伯克利重磅揭秘，RLHF竟是罪魁祸首？
普林斯顿和伯克利研究《Machine Bullshit》，定义并量化LLM胡扯行为，总结四大套路，提出胡扯指数。实验发现强化学习人类反馈训练后，AI胡扯倾向加重，多思考也会让其更会忽悠。
ChatGPT长了手脚，AI不再是副驾，直接抢过方向盘
OpenAI昨夜发布ChatGPT智能体，它整合网站交互、信息整合、对话交互三项能力，能智能选最优路径完成任务。在多项评估中表现领先，还有多重安全措施。今日向部分用户开放。
打破传统游戏逻辑！Google | 提出Concordia ，通过Mutil-Agent构建游戏引擎！
Google DeepMind和多伦多大学研究人员提出Concordia软件库，用AI驱动智能体担任GM，基于「实体 - 组件」架构，让工程师和设计师分工，可灵活构建复杂游戏场景，还支持不同交互动态和多种使用动机。
集成20+先进算法，优于GPT-4o，自主因果分析智能体来了
加利福尼亚大学圣迭戈分校研究团队提出自主因果分析智能体 Causal - Copilot，集成超 20 种算法。它解决因果分析使用门槛高、预训练模型有局限等问题，性能优于 GPT - 4o ，已开源邀全球研究者参与。
你的衰老速度被科学家拍出来了| Nature子刊
Nature子刊研究推出新指标DunedinPACNI，不看身份证年龄，看“脑年龄”。其数值越高，脑功能衰退风险越高。该指标已开源，或助人们检测身体状况、调整生活方式。
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。