「评估方法」共找到 2123 篇相关文章
解放军总医院联合南大、吉大等机构，共同提出首个「脊柱诊疗大模型」SpineGPT
解放军总医院联合多机构研发首个脊柱诊疗大模型 SpineGPT。研究指出通用 LVLM 有‘认知鸿沟’，团队构建 SpineMed 生态系统，含 SpineMed - 450K 数据集与 SpineBench 评估基准，SpineGPT 表现超越开源模型。
为什么 LLM 搞不定复杂任务？ReAct 与 Reflexion 技术综述
文章指出大语言模型处理复杂任务存在事实幻觉、缺乏实时信息等问题。介绍ReAct将推理和行动结合，及Reflexion在其基础上添加评估反思机制，探讨两者结合优势，还提及未来发展方向。
AI行业的底牌已经亮完了，模型能力趋同后，拼什么？
Databricks MVP Adi Polak分析AI人才需求，指出能搭建评估管道等的工程师是硬通货。前沿模型架构趋同，行业从技术竞赛转向生态战争，比拼产品和用户理解能力，还为转型工程师给出建议。
从Debugger到Developer : 低代码时代新基准NoCode-bench，SWE-Bench作者力荐
浙江大学牵头联合多机构推出全新评估基准NoCode - bench，直面自然语言驱动功能添加任务，发现当前最佳LLM成功率仅两成。它构建严谨，任务挑战大，指明AI软件开发改进方向，且已开源。
效果非常不错!阿里昨开源图形海报生成模型Qwen-Image
阿里昨日开源多模态图像基础模型Qwen-Image，基于20B参数MMDiT架构，在复杂文本渲染和精确图像编辑方面有重大突破，支持多风格图像生成、智能图像编辑等，还介绍了使用、部署等方法。
The Batch：834 | 更一致的人物与风格
德国 Black Forest Labs 的 FLUX.1 Kontext 系列文本生成图像模型，可可控编辑图像。有 max、pro 和 dev 版本，功能含角色一致性和图像编辑，在测试中表现优，公司计划公开专有评估基准。
一个md文件收获超400 star，这份综述分四大范式全面解析了3D场景生成
南洋理工大学研究者发表《3D Scene Generation: A Survey》综述，系统归纳300+篇论文，将3D场景生成方法分四大范式解析，还总结应用，探讨挑战与未来方向，如保真度提升、引入物理约束等。
抢天才还是拼算力？前 Llama 推理负责人详解 AI 的真实天花板
前 Llama 推理负责人 Ross Taylor 在播客访谈中指出，AI 竞赛中的混乱和挖角是噪声，最终会被指数级算力淹没。他阐释了算力指数曲线决定竞赛天花板，强调系统性实验、高质量评估的重要性。
JinaVDR: 一个图文混排文档搜索任务的基准集
现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。
谷歌超强 AI Agent 登场：攻克 300 年数学难题、改进芯片设计！编程迎来 AlphaGo 时刻？
谷歌 DeepMind 推出由 Gemini 驱动的 AI 智能体 AlphaEvolve，能自我进化解题。它破数学界 53 年纪录，解决 50 多个数学难题，还应用于谷歌数据中心、芯片设计等，提升效率。其进化方法独特，还能减少幻觉。