「成果评估」共找到 1444 篇相关文章
为什么 Agent Memory需要 AML：看 AML “变量控制”的工程设计
传统 Agent 记忆评测有水分，近日放榜的 Agent Memory Leaderboard (AML) 通过严格控制变量构建盲测管线。文章从技术架构深拆其工程细节，还分析了首期榜单，指出其重构评估变量的价值。
Fable 5解禁即翻车！写一行代码就降智，开发者破防
消失19天的Fable 5解禁即翻车，因过度审查和双标机制，让开发者破防。但抛开护栏，它执行复杂任务能力强。A社同期发布的Sonnet 5也遭群嘲，此外，A社还提出评估框架并向政府让步。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
具身智能学界业界思想「惊人的统一」？美团在IROS开了个学术年会
美团在IROS举办学术年会，展示了在具身智能与零售服务结合方面的愿景与成果，如无人机配送初具规模。多位学界和业界大咖参会并发表见解，对具身智能发展方向观点惊人统一。
中山大学&华为联合提出 Issue Resolution 数据集构建神器SWE-Factory：每条只要$0.024
中山大学和华为联合提出低成本开源方案 SWE-Factory，可自动收集代码打造高质量代码评估数据集。它能解决传统构建流程繁琐、依赖人工的问题，实现全流程自动化，还构建了 SweSetupBench 数据集，表现出色。
谷歌AI将攻破200年数学难题！39岁天才率队密研三年，或摘千禧年大奖
谷歌DeepMind携手39岁数学天才Javier Gómez Serrano，率20人团队秘研三年，借AI冲击千禧年大奖难题——纳维 - 斯托克斯方程，预计未来12 - 18个月取得成果，若成功将助人类深入理解多领域机制。
数学推理热潮下的冷思考！如何训练真正"全能"的推理模型？
论文评估20余个开源推理模型在多领域表现，发现多数模型数学成功难迁移。揭示微调方法（RL vs SFT）决定能力泛化，SFT像‘填鸭’，RL似‘思维健身’，为构建通用推理智能体提供新路径。
硅谷顶尖产品教练万字干货，一针见血揭示产品失败真相
文章回顾 Jim Morris 演讲，指出多数团队混淆“产出”与“成果”，迷恋“虚荣指标”。以 Power Reviews 为例，强调做对事才驱动客户价值。还介绍衡量成功的指标及应用案例，说明指标关联与先行指标作用。
医疗AI质变时刻来临！国产医疗AI率先突破，临床诊疗能力问鼎全球
文章指出当前医疗AI真实能力与临床期待有落差，为此中国医生联合制定全球首个评估医疗AI临床适用性标准，完成对主流模型测评，中国企业打造的MedGPT夺冠，还推出‘未来医生’平台服务患者。
身家1100亿，“玻璃女王”冲向AI硬件
随着iPhone 17热卖，蓝思科技营收创新高，创始人周群飞身家达1100亿。为摆脱对苹果依赖，公司布局新能源汽车、AI眼镜、人形机器人等AI硬件赛道，但新业务成果待察，毛利率也在下滑。