「LLM评估」共找到 1596 篇相关文章
不用跟AI客气了！新研究：语气越粗鲁回答正确率越高
宾夕法尼亚州立大学研究《Mind Your Tone》显示，与AI交流时说话越粗鲁，LLM回答越准。测试发现，对GPT - 4o特别客气时正确率80.8%，粗鲁时升至84.8%，但老模型不适用。
支持5000+ Server，ScaleMCP为大模型Agents动态同步MCP工具
现有工具选择框架未整合MCP服务器，存在重复、不一致和低效问题。普华永道提出ScaleMCP，配备MCP工具检索器，还提出TDWA嵌入策略，通过实验证明其提升了LLM代理性能。
AI实力榜大洗牌！OpenAI谷歌强势领跑，Anthropic节节败退
Poe最新报告显示，2025年1 - 5月AI各领域市场份额大洗牌。OpenAI和谷歌势头猛，Anthropic掉队。文本生成、推理、图像等各领域竞争激烈，企业需搭建评估体系，按需选模型。
智能体自己出现问题自己找！首次提出“自动化失败归因”课题 | ICML2025 Spotlight
LLM Multi - Agent系统失败诊断难，阻碍迭代优化。宾夕法尼亚州立大学等机构研究者首次提出“自动化失败归因”课题，构建Who&When数据集，开发评估多种归因方法，实验揭示当前方法不足。
从物竞天择到智能进化，首篇自进化智能体综述的ASI之路
普林斯顿大学等机构研究者发布首个自进化智能体综述，为领域建统一理论框架和路线图。综述给出形式化定义，围绕What、When、How、Where构建分析设计框架，还探讨评估范式并指明未来方向。
Karpathy又封神！掀翻RAG，把你的笔记变成第二大脑
前OpenAI创始成员Andrej Karpathy提出让大模型把笔记「编译」成持续生长的活Wiki，替代RAG。他将笔记当源代码，LLM当编译器，实现知识结构化。此方案降低维护成本，解放人类注意力。
金融版 Claude Code
Dexter 是自主运行的金融研究智能体，类似金融版 Claude Code。能处理复杂金融问题，有智能任务规划等核心能力。文章介绍其先决条件、安装、运行、评估、调试方法及项目地址。
刚刚，Yann LeCun官宣离职创业，瞄准高级机器智能AMI
图灵奖得主Yann LeCun宣布离职Meta创业，新公司聚焦高级机器智能（AMI），继续其“世界模型”研究。他是LLM批评者，认为其无法理解物理世界，新公司目标推动AI重大革命。
windsurf分享了他们对构建Agent应用的认知。
windsurf发表博客讨论Agent，指出构建Agent应用存在认知误区，分享灵魂四问分析框架评估其‘含金量’，还提到苦涩教训，提醒警惕过度设计，拥抱规模化、通用化方法。
微软开源Skill训练框架，让Agent白天干活，晚上自动复盘，Skill的自进化终于可监控了
微软开源SkillOpt v0.2.0，加入SkillOpt - Sleep让Agent可自我复盘。该文本空间优化框架能自动训练和优化skill，有透明化、质量控制等特点，适合重复、可评估任务场景。