「自演进评测」共找到 1873 篇相关文章
别再让语音机器人“答非所问”：AI Force任务型语音对话技术总结
本文围绕企业级任务型语音Agent核心挑战，提出解决“拟人化”与“专业化”问题。介绍三段式语音对话解法、架构演进，还提及‘衍算’推理框架等技术及未来方向，团队来自蚂蚁集团AI force。
个人AI知识库的最优解
作者认为2026年搞个人AI知识库，自己的东西放Obsidian，别人的放NotebookLM。介绍了Obsidian接入AI的两种方法，还称NotebookLM性能强，最后总结这两套方案最适合个人。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
Claude Science几周干完两年活，10倍科研提速真来了？
2026年6月30日，Anthropic发布Claude Science，定位面向科学家的AI工作台。它将科研拆成可审计流水线，整合工具链，自带可追溯代码，有协调与审查智能体，首落生命科学领域，与Google、OpenAI玩法不同。
桌面 Agent 的下一步：不是会操作，而是会调度工具
复旦大学和通义实验室提出 ToolCUA，让模型在 GUI 与工具调用间编排路径。它从已有 GUI 轨迹合成训练数据，设计奖励机制，在 OSWorld - MCP 评测中效率与准确率大幅提升，为 CUA 发展提供方向。
刚刚，阿里官方认领神秘「欢乐马」，来自ATH郑波团队
周二晚间，AI评测平台Artificial Analysis上，‘欢乐马’空降榜首引热议。现阿里官方认领，它是ATH郑波团队模型，正内测，近期将开放API。其在多项排行榜表现出色，支持四种视频生成模式。
我在微信免费养「龙虾」，玩到上瘾，这组CP太强了
2026 开年「龙虾热」渗透各类任务场景，腾讯动作密集。其自研 WorkBuddy 优势明显，与微信 ClawBot 联动成「官配」。经测试，它能高效处理多类任务，还为用户提供权益，腾讯龙虾矩阵加速成形。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
不到一年ARR破亿元，GEO厂商智推时代获数千万元天使轮融资 | 甲子光年
近日，AI营销科技公司智推时代完成数千万元天使轮融资，将用于技术研发等。其成立一年多 ARR 破亿，服务近 400 家头部客户。自研 GENO 系统，与华东师大共建实验室，还布局全球市场。
再不怕乱引文献！绕过付费墙，BibAgent把学术核验转为证据链
大模型生成学术论述，其引用验证成难题，尤其付费墙后论文难以核验。BIBAGENT突破此困境，不破解付费墙也能验证引文语义真伪，还构建MISCITEBENCH评测，表现优异，为科学写作补“可审计基础设施”。