「技能评估」共找到 1021 篇相关文章
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
网民票选AI王者，LMArena一夜变17亿美元独角兽！
LMArena原是校园开源小项目，从2023年起步，如今估值达17亿美元。其Arena模式让网友盲投选AI，Elo评分系统算排名。虽有众包投票易操纵等争议，但已成行业标杆，还将为大厂提供付费评估服务。
“不爱龙虾爱马仕”，为什么Hermes比OpenClaw更值得
文章对比了Hermes Agent和OpenClaw，Hermes由Nous Research出品，开源免费，安装便捷，支持多模型。其核心是闭环学习循环，能自我进化，技能可自动生成和更新，记忆系统更优，在多场景有优势，安全设计好。
智谱终于发布GLM-4.5技术报告，从预训练到后训练，细节大公开
上个月底智谱开源 GLM-4.5 及轻量版，成绩亮眼引热议。现其技术报告发布，详述预训练到后训练细节，还介绍了开源 RL 框架 slime，展示模型架构、训练阶段等，评估了在多任务上的表现。
Nano banana手办玩法火爆出圈！无需抽卡，效果惊了(°o°)
小某书被AI手办图刷屏，原来是谷歌的nano - banana（Gemini 2.5 Flash Image）模型爆火。文章实测其手办玩法，还介绍多种玩法，团队透露以文本渲染评估、原生多模态等核心技术，谷歌未来想整合模态实现AGI，还将举办黑客松。
Karpathy刚开源的autoresearch，我拿来优化龙虾skill，成功率从56%飙到92%
Karpathy发布开源项目autoresearch，可让AI优化AI。作者分享用其优化skill的实践，介绍优化流程，指出可将模糊表述拆成可判断是非题，还提及定义评估标准的方法与常见错误修正。此外，还能用于代码性能优化。
北大2篇Skill炸场，Agent彻底进化
北京大学连发两篇论文，给出让 Agent 变强的答案：让 Skill 自己进化。`SESA` 针对工具增强的搜索问答，用四个阶段闭环使任务生成和技能记忆一起进化；`VeriSkill` 把验证器废信号变成可信更新，二者场景不同但核心一致。
视觉+语言+动作！超强具身“训练宝典” EmbRACE-3K
视觉 - 语言模型在具身环境中表现有局限，港大推出 EmbRACE - 3K 数据集应对。它含 3000 多个任务、2.6 万个决策步骤，有细致多模态注释。团队用其微调 Qwen2.5 - VL - 7B 模型，还建立新基准评估多个模型。
具身智能开始进入「下半场」：从会干活到干完活
具身智能正处热门，国内今年上半年赛道融资额高涨。但钱与落地有落差，拉格朗日具身技术自研 Agentic OS，采用分层智能架构处理工程问题。还推动工序重构，制定技能矩阵和排期计划，其团队背景多元，赌让机器人干完活路径。
密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25
清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。