「测试评估集」共找到 2678 篇相关文章
NeurIPS 25开新坑：145万个图文对，覆盖八种主流水下理解任务
华中科技大学团队推出首个水下多模态大模型NAUTILUS，支持8种水下场景理解任务，还开源145万图文对的NautData数据集。模型通过VFE模块解决水下图像问题，性能超越现有模型，恶劣环境表现更佳。
The Batch：831 | 机器翻译正在实践中发挥作用
人工智能为语言学习应用巨头 Duolingo 带来生产力提升，借助生成式 AI 构建 148 门课程，总量翻倍。其 AI 辅助课程构建法能快速转化多语种版本，还在评估多模型，不过此举也引发批评。
刚刚，Anthropic切开Claude大脑！AI自发长出类人「意识器官」
Anthropic开源「手术刀」J-Lens，读出Claude未说出口的念头。研究发现Claude自发长出类似人脑「意识」结构J-space，通过多项测试与全局工作空间理论对标，还表现出类似人脑的现象。
吴恩达发布论文自动审阅器，ICLR上达到接近人类水平
目前学术会议论文评审无统一规范，投稿量膨胀致审稿周期冗长。吴恩达发布‘Agentic Reviewer’，在ICLR 2025数据测试中接近人类水平，现阶段在arXiv研究领域表现佳，但仍处实验阶段。
Windows AI助手免费进化！能操作电脑、登录网页、生成代码
Windows Copilot正式更新，Microsoft 365 Copilot中Researcher智能体新增“计算机使用”能力，能操作电脑、登录网页、生成代码等。更新已在预览版上线，还介绍了其运行机制和性能测试情况。
Paper2Video：学术研究论文讲解视频自动生成
学术演示视频制作耗力，Show Lab提出Paper2Video基准数据集和PaperTalker多智能体框架，可从学术论文自动生成演示视频。还引入定制化评价指标，衡量学术演示视频效果。
研究表明，开源能推动AI创新和经济增长
Siliconangle消息，Linux基金会新研究显示开源对全球经济贡献达9万亿美元。其首席经济学家Frank Nagle指出，AI加入使开源价值评估方式改变，计算开源AI价值复杂，参与开源项目能增加经济价值。
仅需一行代码AI智商飙升成本反降！Claude推出军师模式：最强模型opus只做幕后大脑
Anthropic在Claude平台实装军师策略，让Opus模型后台当军师，轻量级模型当执行者。仅改一行代码就能实现，成本低且能提升智商，已开启Beta测试，还给出使用步骤。
文档级知识图谱: RAKG(95.91%) VS GraphRAG(89.71%)
文章分享RAKG框架，解决传统知识图谱构建在文档级构建中的局限。对比GraphRAG的不足，阐述RAKG创新点、框架结构，用MINE数据集实验，显示RAKG准确性等指标优于GraphRAG和KGGen。
Anthropic 提出透明度框架以保障前沿 AI 发展
Anthropic提出新透明度框架，针对大型AI公司，实施安全开发框架评估并减轻潜在风险，要求公开披露SDFs和系统卡片，小型公司豁免，还设执行合规条款，旨在平衡安全与创新。