「自演进评测」共找到 1873 篇相关文章
正确答案 ≠ 正确推理，CoT 或成大模型推理能力停滞的「罪魁祸首」？
研究指出当前大模型推理能力评估多关注答案准确性，忽视推理步骤。通过对前沿模型测试发现，2023 - 2024 年大模型推理能力提升停滞，进步靠提示工程，自底向上策略最有效。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
Dario访谈首曝：Mythos被称为「超级武器」
Bloomberg主持人与Anthropic CEO Dario Amodei进行69分钟访谈。谈及Mythos模型强大危险不敢发布，还探讨AI递归自改进、文明崩塌概率、白领工作消失等问题，Dario坦率面对技术矛盾。
openJiuwen社区首发「Coordination Enginnering」，让智能体从「单兵作战」到「精锐团队」
openJiuwen社区围绕Coordination Engineering发布多智能体协同技术体系，包括Agent Team、Team Skills等。该体系解决多智能体协作问题，实现团队自主协作、经验沉淀与进化，还提供相关工具和平台。
Cloudflare 构建了面向 LLM 的高性能基础设施
Cloudflare发布全新基础设施，可在全球边缘网络运行大型AI大语言模型。它将模型输入处理与输出生成拆分，自研Infire推理引擎，还推出Unweight模型压缩系统，分享提示词缓存优化方案。
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
神秘模型屠榜多日、碾压Seedance 2.0！背后竟是阿里大招：新部门首作实锤，引爆股价拉升
近日，神秘模型 HappyHorse-1.0 登顶 Artificial Analysis 视频模型排行榜。阿里巴巴确认其为 ATH-AI 创新事业部自研产品，正在内测，4 月 30 日上线 API。该模型技术亮点多，若开源或改变 AI 视频行业格局。
开源两天斩获 1.8K Star！把网站变成命令行工具，支持国内外主流平台！
OpenCLI是开源的AI原生命令行工具，能把网站或Electron应用变命令行接口，复用Chrome登录状态，安全性高。支持19个主流平台，有自修复配置等亮点，还介绍了安装、使用、诊断及下载方法。
openJiuwen社区开源新招：重磅发布JiuwenSwarm，拉开群体智能“养蜂”序幕
openJiuwen社区开源蜂群智能体JiuwenSwarm，落地Coordination Engineering范式。它有全栈技术体系，支持人以HOTS和HITS模式参与协同，实战效果佳，且在评测中表现亮眼，全套能力开源。
老黄封神！英伟达市值首破4万亿美元，全球第一
英伟达成为全球首个市值破4万亿美元的公司，超过英、法、德等国股市总和。投资者抢购其AI芯片，股价自4月低点狂飙89%。其市值增长加速，华尔街分析师将目标指向6万亿美元。