搜索：自动化评估 - AI Reading Hub

「自动化评估」共找到 1147 篇相关文章

为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？

现在很多人觉得模型强大，提示词工程没必要，但复杂需求仍需它。作者以写雷军演讲提示词和YouTube字幕生成提示词为例，介绍迭代创作过程，指出写不好提示词根源是难评估差距和调整。

谷歌Nano Banana模型刷屏，其项目负责人等揭秘技术。它有场景一致性、文本渲染等特性，团队用文本渲染能力作评估指标，还靠原生多模态、交错式生成等技术，结合用户反馈实现多方面进步，图像模型做PPT尚处起步。

AI员工呼声高却未落地，瓶颈可从其源起探寻。早期自动化工具非真正数字员工，大模型带来新可能，但存在时效性、场景定义、意图澄清、知识更新、博弈能力等问题，未来建议局部替代，先以实习生角色上岗。

这篇发表于 2025 年 10 月《Trends in Cognitive Sciences》的文章，探讨用人类“情景记忆”研究成果改进记忆增强型大语言模型。指出现有 AI 记忆系统存用数据低效，呼吁构建“类人情景记忆”AI，还剖析差异并给出评估方法和展望。

著名数学家陶哲轩在与播客主持人Dwarkesh Patel的对谈中分享使用AI一年后的观点，认为AI已将想法生成成本降至几乎为零，但验证和评估成新瓶颈，还探讨其对数学研究的影响及未来发展。

视觉 - 语言 - 动作模型（VLA）在机器人操控领域潜力大，但应对长时序或精细操作任务时性能下降，根源是缺乏三维空间感知与推理能力。中国科学院自动化研究所与灵宝 CASBOT 提出 QDepth - VLA 模型，提升了机器人空间推理与操控精度。

DeepSeek给近一年前登上《Nature》封面的R1论文补64页技术细节，正文大幅翻修。新论文展开R1完整训练路径，补充R1 - Zero分析，还披露安全评估细节。此外团队稳定，引发对其后续动作猜测。

上海AI Lab的OpenDataLab团队通过大规模实验剖析RLVR在多领域推理机制。构建多领域评估框架与定制奖励策略，基于Qwen2.5 - 7B系列模型联合训练，有多项关键发现，为构建AI推理模型提供参考。

现有AI记忆评测只记'事'不记'人'，存在数据源窄、不重理解、注入成本高的问题。QuantaAlpha联合高校团队提出CloneMem基准测试，用'数字痕迹'评估AI Clone长期记忆能力，实验有反直觉结论并给出设计启示。

中科院自动化所提出BridgeVLA模型，将3D输入投影为2D图像并利用2D热图进行动作预测。它训练分两阶段，在多仿真基准和真机实验表现卓越，仅3条轨迹基础任务成功率达96.8%，真机性能提升32%。