「评测范式」共找到 1612 篇相关文章
1美元Token撬动4800美元收益！AI挑战百万美元级基准，最赚钱的Agent出现了
Humanlaya Data Lab等机构构建$OneMillion - Bench评测基准，用经济价值衡量模型。它含400道高难题目，覆盖多领域。目前最强模型能产出约50万美元价值，但离可交付专业任务还有距离。
蚂蚁抛弃向量推荐！用8B小模型构建「用户“话”像」，实现跨模型通用并拿下SOTA
2026年AI开发者关注爆款大模型应用，个性化是关键。蚂蚁集团和东北大学团队推出AlignXplore+，实现文本化用户建模新范式，有全域通用、极致迁移、实战适配特性，小参数超越基线，未来将继续探索。
刚刚，Cursor分享了他们使用Agent Coding 的最佳实践
Cursor分享了使用Agent Coding的最佳实践。编码Agent正改变软件构建方式，需理解其工作原理并形成新使用范式，文中还介绍了规划、管理上下文、扩展Agent等多方面的操作方法与策略。
微前端：迈向现代化前端架构的社会技术之旅
文章指出微前端不仅是技术模式，更是组织工作新范式。介绍其适用场景、演进现有系统方法，处理路由等跨领域问题策略，还强调它能让前端独立于后端现代化，实现渐进式变革。
从代码基座模型到智能体与应用：代码智能的全面综述与实践指南
北航、阿里等机构联合发布论文，系统梳理 2021 - 2025 年代码大模型发展。介绍代码基座模型、评测任务、对齐技术等，还提及软件工程智能体、安全防御及训练指南，预言未来编程走向。
李飞飞押注的3D世界模型黑科技，被这篇论文一次性扒光！
李飞飞创业公司World Labs发布空间智能模型成果，推出Marble平台。本文分享3D、4D世界模型技术综述，系统梳理原生表示的世界模型，给出分层分类法、数据集与评测指标，并开源维护。
百川开源医疗增强大模型 Baichuan-M2：更符合中国临床诊疗场景，可 4090 单卡部署
百川智能发布并开源医疗增强大模型 Baichuan-M2，以更小尺寸反超 OpenAI 新模型。它可 4090 单卡部署，成本低，在 HealthBench 评测表现佳，免费开源，更适配中国临床诊疗场景。
为什么你的 AI Agent 总是用不起来？答案在 Skills
文章围绕AI Agent的Skills展开，介绍其范式价值，如从“单一智能”到“模块化智能”；还提及知识沉淀、跨平台能力迁移等作用，以及对人机关系、人力市场与劳动结构的影响。
2026！开年关键词：Self-Distillation，大模型真正走向「持续学习」
2026 年刚开始，大模型领域研究者达成默契，arXiv 论文高频出现 Self-Distillation。传统强教师依赖范式难适配模型持续进化，Self-Distillation 成破局点。MIT 等机构发布三项研究成果，均用信息差实现模型自驱动升级。
GPT-5认为这个模型是开源界的Claude 3.5——陈天桥朋友圈里的 MiroMind ODR 让我眼前一亮
陈天桥用GPT - 5评测自家开源模型MiroMind ODR，让其应对复杂问题。GPT - 5评价该模型是“开源界的Claude 3.5”，其能力让GPT - 5“点赞”，有闭源模型稳定性和可用性，还具全开放架构。