「测评提升」共找到 3100 篇相关文章
UniPat AI开源SWE-Vision：五百行代码打造SOTA视觉智能体！
多模态大模型代码能力进步大，但基础视觉任务常失误。UniPat AI开源SWE-Vision框架，让模型用Python代码处理视觉判断。它极简设计，在五个视觉基准测试达最优，提升前沿模型视觉表现。
OpenAI这招太狠！AI从「躲猫猫」到「自爆黑料」，主打一个坦白
随着AI进入高风险场景，透明、安全变得重要。OpenAI提出「忏悔机制」，让模型回答后产出自我坦白报告，不影响主回答评分，只考察诚实，能提升不良行为可见性，目前仍处概念验证阶段。
The Batch: 886 | OpenAI 与 Meta 多元化其 AI 产品线
OpenAI和Meta此前专注聊天机器人，如今分别推出新举措。OpenAI推Sora 2、ChatGPT Pulse和Instant Checkout；Meta推出Vibes。新项目利用AI提升用户参与度与收入，探索社交视频领域和大模型与商务融合。
规范对齐时代：GPT-5 断层领先，让安全与行为边界更明晰
上海交通大学等团队提出规范对齐概念，构建评测基准 SpecBench 评测 33 个主流模型，发现多数模型有不足。还探索测试时深思方法，如 Align3 能提升规范遵循度，GPT - 5 在规范对齐上断层领先。
Agentic Deep Research新范式，推理能力再突破，可信度增加，蚂蚁安全团队出品
尽管LLM能力提升，但在复杂任务上受静态内部知识限制。业界提出Agentic Deep Research系统，不过现存系统有梯度冲突和奖励稀疏问题。蚂蚁安全团队提出Atom - Searcher，解决上述问题，实验效果良好。
快手高级副总裁盖坤兼任可灵AI技术部负责人
8月15日，快手发布组织架构调整公告，高级副总裁盖坤兼任可灵AI技术部负责人。他科研实力强，带领团队推出可灵AI。该模型迭代超30次，有大量用户和企业客户，战略地位不断提升。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
Lovable 仅凭 35 个员工创造 8000 万美元 ARR 的原因
Lovable 仅35人7个月达8000万美元ARR，因其有大量 AI 原生员工。AI 原生员工默认用 AI，能快速解决问题。聘用此类员工可释放自主权、提升速度，传统公司转型难，未来组织将变革。
DeepSeek R2没来，DeepSeek R1+来了~
DeepSeek官方发布通知，DeepSeek R1模型完成小版本升级成DeepSeek - R1+。PaperAgent实测近1000行代码无错，网友测试显示CoT有显著变化、前端审美提升，还提及DeepSeek - R2可能快来了。
AI两天推翻20年工作习惯！Karpathy百行代码开源项目“封神”，AI替你通宵肝研究、战绩可查
特斯拉前AI总监Andrej Karpathy开源autoresearch项目，让AI Agent自主搞深度学习研究。两天内Agent完成276次实验，提升模型训练效率约11%。项目代码极简，未来目标是实现Agent大规模协作，已被开发者社区共建。