「评测体系」共找到 1162 篇相关文章
Harness Engineering：耗时一周，我是如何将应用的AI Coding率提升至90%的
文章结合Anthropic、OpenAI方法论与项目实践，分享为存量Java应用构建Harness体系，将AI代码率从不到25%提至90%的方法。介绍Harness概念、现状挑战、实战步骤、关键经验及效果，还对其未来发展做了展望。
刚刚，百度最新开源神作：PaddleOCR-VL-1.5上线了
1月29日百度开源新一代文档解析模型PaddleOCR-VL-1.5，参数仅0.9B，在OmniDocBench V1.5评测中综合性能全球第一，精度达94.5%。它支持异形框定位，解决真实文档解析难题，在多场景表现出色。
清华姚班团队，开源具身智能视觉语言动作（VLA）模型工具箱，打造行业通用技术底座
清华姚班团队所在的原力灵机公司，开源了基于PyTorch的视觉语言动作（VLA）模型工具箱Dexbotic。它能打造通用底座，解决行业研发困境，其预训练模型表现出色，还与Hugging Face合作推出评测平台。
从Demo到行业落地的Agents：技术、应用与评估
通用LLM Agent工业落地有短板，哈工大深圳与华为提出L1 - L5工业Agent能力成熟度框架，映射技术演进与产业场景，覆盖50+行业案例、300+评测基准，给出可量化‘爬级’路线。
CSDN 创始人蒋涛：中国开源十年突围路、模型大战阿里反超 Meta，数据解析全球开源 AI 新进展
在GOSIM HANGZHOU 2025现场，CSDN创始人蒋涛发布两份报告。《2025全球开源发展报告（预览版）》显示美主导、中国崛起；《大模型技术体系开源影响力榜单》中，Meta、阿里等表现突出，强调大模型竞争关键在生态。
全球首个从语言出发构建的智能体：MoonBit Pilot 如何推动自动化软件交付？
MoonBit Pilot是从语言底层构建的代码智能体系统，将AI Agent从“助手”推向“合作者”。它比Cursor、Codex更快更稳定，能云端异步执行，有Sub Agent架构和分段编译机制，或成未来软件工业新标准。
1.93bit版DeepSeek-R1编程超过Claude 4 Sonnet，不用GPU也能运行
1.93bit量化后的DeepSeek - R1（0528）编程能力超Claude 4 Sonnet，在aider榜单获60分。Unsloth工作室制作9个量化版本，小版本不用GPU也能跑。R1 - 0528在游戏评测中表现也佳。
世界模型混战，Momenta率先冲刺IPO
当下世界模型是AI领域热门且混乱的概念，主流路线有四类。Momenta的R7世界模型已量产，其CEO定位公司为物理AI基座模型构建者。Momenta率先冲刺IPO，商业模式正转型，为后续玩家提供价值评估体系。
AI 原生软件工程的可观测性与可控制性
文章指出 AI 成研发主力军，改变软件生产方式，传统研发管理办法需升级。当前人和 AI 协作有诸多问题，介绍了研发三阶段，阐述可观测性与可控制性概念、关键指标，以及实现可控制性的要素，强调二者结合构建高效研发体系。
一夜暴涨至2100亿！开源新王MiniMax M2.5，革了Opus 4.6的命
新智元报道，国产AI春节档，MiniMax M2.5昨夜登场，今日市值涨至2108亿港元。其编码性能逼平Claude Opus 4.6，价格仅为1/20，适配开发者工具，在办公、深度研究等场景表现出色，基于Agent RL技术体系。