「测试评估集」共找到 2678 篇相关文章
Google | 溯源分析RAG系统错误，提出选择性生成框架，让RAG问答准确率提升10%
Google对RAG系统错误深入分析，引入‘充分上下文’概念，指出幻觉或因上下文不足。构建评估器，提出选择性生成框架，结合多信号决策，实验显示可让RAG问答准确率最高提升10%。
刷榜只是体力活！清华消费10万块，一周「肝」出105个SOTA
AutoSOTA通过多智能体协作，将AI研究中繁琐的性能优化过程自动化，使科研从「手工艺」转向「工业流水线」。在一周压力测试中，消耗约10.4万美元，发现105个SOTA模型，平均性能提升近10%。
苹果与Anthropic合作，开发AI编程助手
彭博消息，苹果与Anthropic合作，为Xcode打造AI编程助手，集成ClaudeSonnet大模型，可自动完成代码编写等工作。现处内部测试，若顺利将向第三方开发者发布，有望改变苹果平台应用开发方式。
「AI 100」榜单启动招募，AI产品“年会”不能停丨量子位智库
2025年国内AI产品关键词频现，各有代表性产品。量子位智库2025年度「AI 100」榜单开启招募，分三大板块，用定量与定性结合评估体系，还公开AI产品知识库。
OpenAI深夜发布ChatGPT Agent：能主动思考、自选工具，智能体赛道大变天
今天凌晨1点，OpenAI发布ChatGPT Agent，它能自主思考行动，自选工具完成复杂任务。首席执行官Sam Altman发文介绍，虽实用但有风险，内置安全机制。测试中表现优异，网友期待体验。
最权威的Skills编写指南来了！33页，Anthropic亲自发布
Anthropic发布33页《Skills编写完整指南》。Skills能为智能体注入行业经验与工作流，实现复杂任务自动化。指南梳理了编写逻辑，涵盖定制、构思、测试、发布等全生命周期内容。
IMO题库“过时”了！OpenAI内部模型挑战最新First Proof，做了7天错了一半
谷歌发布Gemini 3 Deep Think爆火后，OpenAI用未发布内部模型，一周内尝试解答10道来自数学家科研现场的真实问题，5道基本正确。这些题取自真实研究，切断模型“背答案”可能，意味着自主推理能力进化。
谷歌AI连发6篇数学论文！Gemini攻入博士级科研，91.9%刷爆SOTA
谷歌DeepMind放出多篇重磅论文，Gemini Deep Think成「科研合伙人」，攻克多领域难题。谷歌打造基于Gemini的「AI数学家」Aletheia，在博士级难题获科研里程碑，首批6篇论文成果斐然。
Alibaba开源WebDancer解决DeepResearch复杂信息检索难题
Alibaba开源WebDancer，从数据和训练阶段出发提出端到端自主信息检索代理构建范式。实验中，它在GAIA和WebWalkerQA基准测试表现出色，处理复杂信息检索优势显著。
开源多模态推理「破壁」时刻：MMFineReason助力4B逆袭30B
长期以来，开源多模态模型在复杂推理任务上与顶尖闭源模型有差距，核心痛点是高质量推理数据匮乏。上海AI实验室OpenDataLab团队开源MMFineReason框架及大规模数据集，小模型凭此实现性能逆袭。