「大模型评估」共找到 9550 篇相关文章
拳打可灵，脚踢 Veo 3，谁是物理世界的「懂王」？
多模态视频生成大模型是复杂系统工程，多为巨头游戏。MiniMax的Hailuo 02发布，ELO得分超谷歌Veo 3和快手Kling 2.0。它能呈现复杂运动，处理物理关系，提升训练推理效率，成本低，后续还将更新。
实测飞猪 AI：真正的突围才刚刚开始？
2026年上半年，AI行业面临盈利难题，AI Coding虽火热，但旅游等领域落地AI更具挑战与潜力。飞猪升级AI能力推出「飞猪帮帮」，能办事、融合交互方式，还解决通用模型痛点，不过落地成闭环仍需供应商适配。
Lyft 使用 AI 和人机协同扩展了全球范围内的本地化能力
Lyft 实现 AI 驱动的本地化系统，加速应用与网页内容翻译。新系统结合大语言模型、自动评估与人工审核，将翻译周期从数天缩至分钟级，兼顾质量与适配性，还分批量和实时翻译架构处理不同场景。
DeepRare 重磅发布：全球首个可循证智能体诊断系统，直击医学Last Exam难题
上海交通大学人工智能学院等联合发布全球首个罕见病推理型智能体诊断系统DeepRare。它结合大模型和多智能体架构，模拟医生诊断思维，支持多模态输入，在多数据集评估中表现出色，已上线在线平台。
Loss收敛不代表学会：腾讯混元ACL 2026拆解SFT训练中15.3%的“假学会”样本
大模型微调（SFT）是主流LLM落地方案，但大家默认训练完就是学完了。腾讯混元团队发现SFT存在不完全学习现象（ILP），论文完成了定义ILP、找根因、提诊断框架和验证干预等工作。
o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界
GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。
GPT-5 = Scaling Law失效？毕树超：永远有效，因为它反应的是数据结构，客观规律
Shuchao Bi在哥大演讲阐述AI发展。回顾自监督与强化学习路径，指当前发展遇高质量数据瓶颈，认为Scaling Law不会失效。还探讨通往AGI面临的问题，畅想AI重塑世界，提出两个理解AI发展的心智模型。
对话许华哲：进家的机器人，先做好这10件事
本文是对许华哲的访谈，他离开星海图创办破壳机器人，切入具身智能C端赛道。许华哲阐述选择进家的原因、产品规划，还探讨数据来源、模型规划、强化学习等问题，分享从科学家到创业者的体验。
罗振宇、张鹏、王立行等齐聚一堂，AIFUT大会Day1上午场的全面总结来了。
AIFUT大会首日上午，多位嘉宾分享观点。王磊谈亦庄如何拥抱AI；卡兹克称身份被重新定义，好奇心不可被定义；罗振宇认为人最后价值是告诉AI要什么；还有Tim、张鹏、谷大白话、王力行等分享见解。
他们在1993年就提出了Scaling Law
原来，Scaling Law在32年前就被提出了，不是2020年的OpenAI、不是2017年的百度，而是1993年的贝尔实验室。在一篇文章里提出一种预测方法，研究人员可以预测模型在更大数据集上的表现，这和现在大家常提的Scaling Law几乎一致。