「评测标准」共找到 944 篇相关文章
不止修bug：Agentic Coding评测走向复杂feature交付新阶段
中国科学院自动化研究所联合华为提出 FeatureBench，构建端到端基础设施并开源。它从单元测试出发构造评测任务，引入多种机制保障任务可执行、可验证，能有效区分模型能力，还提供易用的评测流程。
重磅团队领衔，国内首部人工智能软硬件跨境数据标准启动编制！
随着AI技术发展，智能软硬件跨境数据流动频繁，数据合规问题凸显。国内首部《人工智能软硬件跨境数据合规指南》团体标准启动编制，以大厂经验为蓝本，提供可落地方案，解决实操难题。
突破泛化瓶颈：阿里云智能运维 Agent 评测体系实践
大模型 Agent 在智能运维场景落地常遇泛化难题。阿里云李也博士介绍利用评测集验证和提升智能运维算法泛化性的实践，阐述评测集重要性、构建方法，还展示其在提升智能运维 Agent 能力上的成效。
监管正式落地严查，全国首部AI产品合规标准来了
自2023年相关办法发布，国家监管网越织越密，AI产品合规成企业必答题。《生成式人工智能产品安全与合规指南》团体标准应运而生，构建全生命周期合规体系，有全链路、全场景、全配套亮点，还公开征集起草单位与专家。
30余家单位确认加入，国内首部AI数据标注标准欢迎参与起草！
数据标注对AI产业重要，但行业合规问题突出。国内首部AI数据标注合规标准《面向人工智能的数据标注合规指南》已完成修订稿，正征集起草人/单位，聚焦5大关键合规议题，邀各方共解难题。
Anthropic：警惕评测排行榜！差别可能只是机器的内存更大，而已
Anthropic发工程博客指出，AI编程评测排行榜上排名前列的模型分差小，而运行环境硬件配置能让分数波动6个百分点。同一模型在不同沙箱策略下分数不同，资源配置影响评测结果，排行榜分数差距或因硬件。
让AI评测AI：构建智能客服的自动化运营Agent体系
文章介绍智能客服发展，从传统机器人客服到基于AI原生的智能客服。重点探讨对话效果评测，搭建运营Agent平台，实现服务闭环。还提及评测落地方法、难题及解决措施，最后阐述AI在服务链路提效和分析转人工原因的作用。
从3632个漏洞看AI时代的评测基准重构！VulnGym基准发布
随着新一代漏洞检测工具出现，漏洞检测走向理解业务风险。腾讯悟空安全团队联合多机构发布 VulnGym 评测基准，基于真实漏洞构建，覆盖 400+ 漏洞路径，71.2% 为业务逻辑漏洞，支持确定性评测。
全国首部AI大模型私有化部署标准，公开征集起草单位和个人！
近期AI领域政策频出，企业对AI应用需求攀升，倾向私有化部署，但面临诸多问题。国内首部AI大模型私有化部署标准《人工智能大模型私有化部署技术实施与评价指南》立项，正征集起草单位和个人。
二元成功率已经过时！PRM-as-a-Judge才是你需要的具身操作评测框架
传统二元成功率评测具身操作任务有局限，难回答策略推进、执行效率等问题。中科院自动化所等机构研究人员提出PRM - as - Judge框架，含进度势能、OPD指标体系和RoboPulse基准，能细粒度审计执行过程。