「评测标准」共找到 946 篇相关文章
大厂都在卷千亿大模型，这家深圳企业却专啃“最后一公里”
在CITE 2026上，佑泰创始人张希立分享企业战略。佑泰与大厂不同，走差异化路径，聚焦算力落地“毛细血管”，产品覆盖多应用方向，还将转型提供完整算力服务，积极布局信创，面对成本压力坚守契约。
AI下半场的战场，从Agent记忆体正式打响
OpenClaw开源项目爆火，标志AI进入下半场走向真实应用。关键在于解决AI在现实中持续干活的问题，核心是Agent Memory。论文梳理该赛道，指出其是系统级记忆体结构框架，未来关键在memory策略可学习。
基础模型又一关键拼图，腾讯混元发布训练新范式「无相」：引入功能性记忆，打破静态权重枷锁
腾讯混元团队发布HY - WU范式，打破静态权重束缚，引入功能性记忆，实时生成个性化参数。应用于图形编辑基模效果好，在图像编辑任务表现优秀，还对未来AI架构提出多方面展望。
2.1K Star！这个 Claude Skills 技能库，给 AI 编程助手装上了 66 颗专家大脑！
GitHub上的开源项目claude - skills迅速走红，斩获2.1K Star。它是全能技能注入包，内置66种专业技能，覆盖12个领域，有300多份深度参考文档，具备上下文感知能力，还整合9套工作流，安装方式多样。
这么哇塞的世界模型，竟然是开源的！
蚂蚁灵波开源通用世界模型LingBot-World，视觉效果与Genie 3不相上下且时间维度更长，能让用户深度参与，还具备一致性、记忆力等特点。它通过数据和模型层面创新炼成，结合此前开源成果构建具身智能基础设施。
高智商 ≠ 高财商？50天实盘测试：LMArena 高分王者也可能是「韭菜」
伊利诺伊大学厄巴纳 - 香槟分校团队开发 LiveTradeBench，让大模型在真实金融市场交易，检验其能力。它全面开源，有实时数据、组合决策等创新，50 天实测揭示模型财商差距。
未来10000天的可能
作者认为凯文·凯利新书《未来10000天的可能》太水，有价值内容仅占10%。但赞同书中观点，如‘人工智能’应叫‘异人智能’，按人类样子打造AI会限制它，这也是一些大佬反对的‘拟人化陷阱’。
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。
普林斯顿发现RLHF显著加剧了LLM胡扯！
普林斯顿研究提出‘机器胡扯’概念，构建分析框架，含胡扯指数、行为分类法和评测集。实验揭示RLHF加剧胡扯，政治语境模型爱‘打太极’，为构建诚实AI提供工具和理论。
Vibe Coding杀进3D领域！OpenAI总裁都在围观这种新玩法
AI 3D 基础模型领先公司 VAST 发布 Tripo P2.0，直接产出原生四边面拓扑，解决生成后模型可用性问题。此外，VAST 完成约 30 亿融资，Tripo 系列在评测中居首。