搜索：记忆评测基准

「记忆评测基准」共找到 1796 篇相关文章

DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案

DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。

世界变化快，AI领域新概念不断。秘塔在上线“浅度研究”五个月后，将其升级为“深度研究”。该模块最初由OpenAI推出，秘塔版可免费公开访问，准确率优，还让研究过程可见。

北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。

研究人员发现大语言模型遗忘并非简单信息删除，可能藏于内部。他们构建表示空间诊断工具，区分可逆与不可逆遗忘，揭示真正遗忘是结构抹除。还在多种方法、数据集和模型上实证，得出系列结论。

OpenAI新论文《语言模型为何会产生幻觉？》提出，模型有幻觉是因标准训练和评估流程倾向奖励“猜对”。GPT - 5不爱猜测，在榜单表现不佳，网友质疑论文是为GPT - 5挽尊，论文引发网友多方向讨论。

阿里国际AI团队提出CIGEval，这是基于多模态大模型驱动的图像生成评估智能体框架。它集成多功能工具箱，通过任务拆解与工具调度提升评估准确性与可解释性，已在ComfyUI - Copilot上线。

本文来自蚂蚁集团黄兆嵩在 QCon 2026 的演讲，探讨生成式 UI 技术重塑生产方式。提出系列工程实践，包括高质量生成、LUI 场景应用及质量监控迭代，让前端生产自动运转、用户体验随需而变。

Ruby 代码提交者远藤裕介评估 Claude Code 用 13 种编程语言生成代码的效率。经 600 多次测试，动态语言更快、更省成本且更稳定，静态类型语言慢且成本高。实验有局限，也引发质疑与回应。

CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。

现有的 RL 驱动的深度思考大模型系统面临准确率与效率的「跷跷板」困境，北邮百家 AI 团队提出 LightSearcher 框架，解决了这一痛点，在保持准确率的同时，显著提升了工具调用效率。