「评测基准」共找到 1324 篇相关文章
2025年了，AI还看不懂时钟！90%人都能答对，顶尖AI全军覆没
AI基准ClockBench测试AI读模拟时钟能力，人类平均准确率89.1%，11个主流大模型最好仅13.3%。研究展示了LLM局限性，分析了可能原因，还对比了不同模型表现及在各类问题上的差异。
10万token自然语言推理，让30B-A3B模型站上奥赛金牌线
上海人工智能实验室报告显示，30B - A3B规模的SU - 01模型不依赖外部工具，经训练在IMO、USAMO、IPhO等奥赛评测达金牌水平。研究还验证更高效科学推理系统路线，有望用于更多科学问题。
VLM剪枝新SOTA：无需重训练，注意力去偏置超越6大主流方案
常用的attention机制存在位置偏置和padding异常，影响剪枝效果。上海大学曾丹团队提出无需重新训练的attention去偏方法，在多模型、剪枝策略及基准上验证有效，为多模态模型部署提供新思路。
解锁任意步数文生图，港大&Adobe全新Self-E框架学会自我评估
香港大学与Adobe Research联合发布Self - E框架，可从零训练实现任意步数文生图。它改变训练范式，用两条互补训练信号，在GenEval基准表现出色，让文生图训练更灵活且具扩展性。
Qwen3-VL-Embedding系列上新：探索统一多模态表征与排序
2025年6月曾开源Qwen3-Embedding和Qwen3-ReRanker，现推出Qwen3-VL-Embedding和Qwen3-VL-Reranker。它们基于Qwen3-VL构建，能处理多模态输入，在多任务达业界领先，还介绍了特性、评测及使用方法。
首个故事可视化综合评估框架来了！80个故事单元53种类别，20种技术方案全面对比
随着AIGC技术进步，故事可视化引发关注。阶跃星辰携手上科大、西湖大学提出ViStoryBench可视化评估框架，通过构建多元化数据集、建立多维度评估指标，对超20种技术方案评测，为行业发展提供评估工具。
GPT-5 之后，我们离 AGI 更近了，还是更远了？
2025年8月8日OpenAI发布GPT-5，架构有革新，在基准测试成绩优异，但跑分现场PPT出错、被Grok 4击败。它在编程表现出色、价格有竞争力，写作能力有争议，模型幻觉和提示注入攻击问题待解。
终于，无需邀请码，这款刷新GAIA榜单的Agent你立刻就能用！
今年AI圈新品爱用邀请码等三件套，作者对此不满。天工超级智能体（Skywork）不玩套路，在GAIA评测达SOTA级别。它优化办公三件套场景，使用方便，虽有不足但瑕不掩瑜。
搜索智能体也需要「操作系统」：SearchOS 开源多智能体协作框架
人大和蚂蚁的 SearchOS 研究，给出搜索智能体在长程任务中问题的答案。它借鉴数据库理念，做了多项核心设计，在开放信息检索基准评测领先，已提供多种使用方式，值得长程调研尝试。
全球第一！ 中国模型登顶榜首，首个可编辑AI语音来了
中国AI语音ViiTorVoice登顶全球语音权威评测榜单Seed - TTS，首创「局部编辑」能力，解决语音无法局部编辑痛点。实测效果惊艳，还具备精准情绪控制、无参考文本克隆等能力，部分模型已开源。