搜索：双轨评估体系

「双轨评估体系」共找到 1250 篇相关文章

ICML 2025 | 大模型能在信息不完备的情况下问出正确的问题吗？

当前大语言模型推理研究多聚焦被动推理，主动推理研究少，制约其在现实场景应用。为此提出 AR - Bench 基准评估大模型主动推理能力，实验显示大模型主动推理能力严重不足，并指出后续拓展方向。

澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。

近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。

谷歌研究院对180种智能体配置对照评估，得出‘AI智能体系统首批定量扩展原则’。发现多智能体协同效果因任务而异，还指出工具使用瓶颈等问题，且开发预测模型辅助架构选择。

由十机构联合推出的 MASLab，带来大模型多智能体系统代码库，统一 20+主流 MAS 方法。有方法全、评估准、结构清晰特性，经大量实验刻画性能图谱，还提出新方法，且发起开源社区。

文章以问答形式梳理技术术语与价值信息，介绍AI Agent定义、与传统软件区别、演进原因等，还阐述组件、原理、提升输出效果方法，探讨Workflow与LLM关系及单/多智能体系统相关内容。

文章聚焦淘宝主播Agent的Harness工程实战。介绍了Harness基础定义与分层结构，阐述上下文工程、工具调用等八项实战内容，还提及记忆体系特色，强调Harness工程是让主播Agent可用、可控、可演化的关键。

生数科技认领神秘登顶模型MotuBrain，该模型4月中旬悄登两国际benchmark。它将预测与行动统一，具一脑多型等能力，技术上走边看边动路线，有响应快等优势。生数科技双轨布局，Vidu与MotuBrain同根。

4月16 - 18日，QCon全球软件开发大会将在北京举办，聚焦Agentic AI等前沿话题。蚂蚁集团郭春晓将分享《蚂蚁阿福：从0到生产的医疗Agent工程化落地》，探讨技术体系与布局，还有20多个专题论坛。

本文是对鹿明CTO丁琰的访谈。丁琰博士最早将UMI落地实践，其数采方案「FastUMI」受青睐。他认为UMI是完整体系，数据会反向影响多方面。还对比多种数采方式，介绍FastUMI改进及Pro版优势。