「LLM评估」共找到 1596 篇相关文章
DeepSeek押注的Harness，被这篇最新综述彻底讲透了
这篇综述讲透了Agent Harness Engineering，CMU等联合提出ETCLOVG七层架构，证明Harness Engineering是LLM Agent工业落地主战场，介绍了其发展阶段、各层架构及作用等。
写代码从来不是瓶颈
Pedro Tavares认为软件开发瓶颈并非写代码，而是代码审查、知识传递等“人类开销”。LLM让写代码变容易，但理解、测试代码成本更高，未解决根本问题，团队理解代码成本才是瓶颈。
提示词工程、RAG之后，LangChain：上下文工程开始火了！
AI时代，上下文工程正兴起。它是构建动态系统，为LLM提供合适信息和工具以完成任务。随着应用复杂度增加，提供完整结构化上下文比提示词更重要，正成AI工程师重要技能。
阿里，悄咪咪在海外上线全新 Agent Coding 产品
阿里在海外推出 Agent Coding 产品 Qoder，个人版免费试用。随着 LLM 技术发展，AI 辅助编码范式改变。Qoder 探索发挥 AI 潜力、解决开发挑战，有透明化等功能及增强上下文工程理念，还能自动选模型。
港科联合港中文提出AdaCtrl，自适应可控Reasoning，可降10~90%
港科联合港中文提出AdaCtrl，解决LLM推理的过度思考、算力浪费和响应延迟问题。它有自适应和用户控制两种模式，通过两阶段训练法实现目标，实验效果好，未来或拓展到多领域。
有人只用API就猜出了GPT、Claude、Gemini的参数量？社区吵翻了
研究人员李博杰在arXiv发布论文，提出“不可压缩知识探针”评测框架，仅通过黑盒API调用逆向估算LLM参数规模，给出GPT-5.5等模型参数量估算，引发社区广泛讨论与争议。
鹅厂员工怎么看Agent自动持续进化？
落地一个Agent容易，但让其自动持续优化很难。文章分享了9位鹅厂同事对“Agent如何自动持续进化”的看法，如建立评估体系、记录真实任务反馈、结合强化学习等。
Clawdbot为何大火？
LLM记忆问题是业界难题，Clawdbot采用极简方式破解，用写Markdown实现记忆。其记忆系统优势明显，如极简易用、透明可控等，但也有劣势，像数据扩容能力有限、功能扩展性不足等。
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。
前荣耀AI实验室主任带队：用“超级大脑”接管农场，24小时不打烊
浙江丘沃智能的AlphaFarm系统开启无人农场新范式，由前荣耀AI实验室主任汤泳等“AI极客”打造。该系统能自主决策执行、实时监控，有四大黑科技，经评估在农业垂直领域领先。