「规模化评测」共找到 768 篇相关文章
燃尽、重启、爆火：Clawdbot 创始人的 35 分钟访谈实录
本文是 Clawdbot 创始人 Peter Steinberger 的访谈实录。他曾经营 PSPDFKit 13 年，后经历三年倦怠期。2024 年受 Claude Code 启发，10 天做出 Clawdbot，几周内 GitHub 星标近 9 万。还谈及模型看法、改名风波及产品前景等。
一周对战2500万局，这些「AI假人」让人类游戏玩家破防了
2025年巨人网络《超自然行动组》成黑马，新玩法中游戏怪物“假人”接入AI大模型。上线一周参与近2500万场对局，成国内首个深度融合AI大模型并规模化落地的大DAU游戏。
AgentCPM-Explore开源，4B 参数突破端侧智能体模型性能壁垒！
当全行业争论30B能否挑战万亿参数时，清华大学等联合研发的AgentCPM - Explore智能体模型用仅4B参数，在深度探索类任务有出色表现，且开源全流程配套工具，打破小模型性能局限。
拒绝「盲修」：JarvisEvo 如何让 Agent 像人类一样拥有「视觉反思」能力？
现有 Image Editing Agent 缺乏视觉反馈，易致「指令幻觉」和 Reward Hacking。JarvisEvo 应运而生，它通过 iMCoT、SEPO、On - Policy Reflection 等技术，结合 ArtEdit 数据集和三阶段训练，在修图上表现出色，意义超图像编辑。
开盘大涨416%，市值近3000亿元，“国产GPU第一股”今日上市
12月5日，“国产GPU第一股”摩尔线程登陆A股，开盘大涨416%，市值近3000亿。它成立五年成国内代表企业，有全栈自研能力。不过，也面临国际巨头、国内竞品、供应链等挑战，且尚未盈利。
让 AI 像真人一样操控手机完成各种复杂任务
MobiAgent是强大的移动端智能体系统，含智能体模型家族、加速框架、评测基准。能让AI像真人操控手机完成复杂任务，提供开箱即用App，内置经验检索模块可自动优化规划。
谢赛宁×李飞飞×LeCun首次联手！寒武纪-S「空间超感知」AI震撼登场
Yann LeCun、李飞飞和谢赛宁联手发布论文「Cambrian - S：迈向视频中的空间超感知」。他们认为LLM虽能力强，但无法像人类一样感知世界，为此构建Cambrian - S系列模型，开源相关数据和模型，还开发了新原型。
只有0.9B的PaddleOCR-VL，却是现在最强的OCR模型。
近期OCR赛道火热，作者应读者要求解读PaddleOCR-VL。它是百度PaddleOCR系列新模型，仅0.9B参数，在OmniDocBench v1.5评测多项领先。其架构高效，实测处理各类文档能力强，已开源。
通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA
WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》提出对information-seeking任务形式化建模，设计训练数据合成方法，全开源模型方案在GAIA评测获SOTA表现，还补足了训练数据不足问题。
给你一群顶尖AI，如何组队才能发挥最大战力？UIUC用一个新的多智能体协作基准寻找答案
现有的评测基准无法衡量多智能体系统内部的协作效率、沟通质量和竞争策略。为此，伊利诺伊大学厄巴纳 - 香槟分校的研究者推出 MultiAgentBench，能全面评估 LLM 多智能体系统协作与竞争能力。