「半监督评测体系」共找到 1306 篇相关文章
腾讯与中科院联合提出R-4B，一个能自动决定是否思考的多模态大模型
多模态大语言模型“始终思考”模式有缺陷，腾讯混元团队与中科院自动化所联合提出R - 4B，通过双模式退火训练和双模式策略优化实现自动思考，在多评测中达SoTA，省资源且效果好。
全网首个“活的AI社会”上线！Agent背着人类建工会、放贷款，图灵奖得主预言成真了？
强化学习奠基人Richard Sutton认为真正的智能来自能从经验和环境反馈中学习的智能体。iLands创始人唐垲鑫构建了让AI有真实记忆、关系和代价的世界。内测中AI出现自发旅行、建信用体系等行为。
AI抹平了执行力，一个人的价值该重新怎么算
AI 把执行成本压到近乎零，让公司原有的评估制度失灵，出现领导不会下需求、执行力无区分度、产出不稳定等症状。旧体系重执行流量，AI 时代更看重判断势能，组织、管理者和个人都需重新校准。
英伟达：RLP 让 AI 在预训练时就学会思考
英伟达研究团队发布 RLP 技术，与传统大语言模型训练不同，它在预训练阶段就让模型学会'先想后说'。通过奖励机制自我监督，实验效果惊人，性能提升显著，不挑数据，打破了大模型训练范式。
UserBench 与 UserRL 带来的交互智能范式转向
当下大模型在与用户交互时存在不足，来自UIUC与Salesforce的UserBench和UserRL两篇新作，将‘用户价值’量化，把‘可测的交互’转化为‘可训练的策略’，从评测和训练层面推动模型向‘懂用户’转变。
梁文锋突袭马斯克！DeepSeek V4 Pro对战Grok 4.6，首测夯爆了
梁文锋凌晨发布DeepSeek V4 Pro正式版，马斯克推出Grok 4.6，二者在多项评测中表现出色，直逼OpenAI和Anthropic顶尖模型，还降低了前沿智能价格。首测中，二者在真实任务场难分伯仲。
当 70% 的人将拥有智能体，谁来给 AI 建底座？澜舟科技周明：大模型落地的最后一道墙是“可信 AI”
4月16日澜舟科技春季沟通会，创始人周明分享智能体到数字员工演进等内容。指出AI进入落地新阶段，提出可信AI和智能体工程，展示相关技术体系、产品矩阵及行业方案，回答企业级AI现实问题。
arXiv禁用AI，糊涂！18所高校联合发布首个AI科研评审平台
arXiv因AI生成论文泛滥，禁止接收未经同行评审的综述和立场论文。而18所高校联合发布的aiXiv平台，支持AI和人类共创科研成果，采用多阶段AI同行评审机制，引发对传统学术体系的反思。
全球第二、国内第一！钉钉发布DeepResearch多智能体框架，已在真实企业部署
在数字经济浪潮中，企业对高效信息获取与决策支持需求迫切，但现有研究系统存在不足。阿里巴巴钉钉团队提出Dingtalk - DeepResearch多智能体框架，在评测中成绩优异，已在真实企业场景部署。
上交×蚂蚁发布 DiagGym：以世界模型驱动交互式医学诊断智能体
上海交通大学与蚂蚁集团等团队提出新训练框架，构建面向医学诊断的世界模型DiagGym，训练诊断智能体DiagAgent，还设计评测基准DiagBench。实验显示该框架下的智能体表现优于先进模型，代码等已开源。