「评测指标」共找到 874 篇相关文章
NeurIPS 2025：高分论文也可能被拒，只为保住那25%左右的接收率？
NeurIPS 2025将于2025年12月在美国圣地亚哥和墨西哥城举办。近期Meta Review完成，有领域主席称DB track高分论文也可能被拒，因要控制接收率。有学者呼吁提高接收率，也有人吐槽这种做法影响会议声誉。
通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA
WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》提出对information-seeking任务形式化建模，设计训练数据合成方法，全开源模型方案在GAIA评测获SOTA表现，还补足了训练数据不足问题。
给你一群顶尖AI，如何组队才能发挥最大战力？UIUC用一个新的多智能体协作基准寻找答案
现有的评测基准无法衡量多智能体系统内部的协作效率、沟通质量和竞争策略。为此，伊利诺伊大学厄巴纳 - 香槟分校的研究者推出 MultiAgentBench，能全面评估 LLM 多智能体系统协作与竞争能力。
kimi 的RL end2end ON LLM
文章分享Kimi Researcher背后技术思考，采用端到端强化学习打造大模型Agent。对比传统方法，凸显其灵活通用、能力上限高、可扩展优势。还展示其在考试榜单成绩提升及智能“涌现”，介绍多应用场景。
传言称：Llama 4 团队80%成员集体辞职！
有爆料称Meta的Llama 4团队约80%成员集体辞职，引发AI圈关注。但Meta员工澄清该消息不准确，且无权威媒体证实。不过Meta和Llama 4项目确实面临高层动荡、模型延期等问题，还分析了可能的深层原因。
T-RO综述重构Foundation Model时代机器人操作知识版图
近日，论文《Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives》被IEEE Transactions on Robotics接收，它以High - Level Planning和Low - Level Action Modeling为主线，梳理Foundation Model时代机器人操作发展，分析了现存问题及关键缺口。
OpenAI Astra发布在即，全自动网络攻防能力已突破天际！
OpenAI即将发布的模型Astra，在内部评测中获ExploitBench满分，还发现两个零日漏洞。它能力远超上一代GPT - 5.6 Sol且更听话。不过为安全考虑，OpenAI部署监控，还放慢其研究速度。
Anthropic 发布 AI Native 全流程实践指南
Anthropic应用AI团队发布实践指南，阐述如何将AI融入软件开发生命周期各环节。指出代码不再是瓶颈，构建快但周边流程慢。指南围绕六阶段展开，给出实施步骤、治理框架和度量指标。
本地部署Qwen 3.8 27B，要用什么配置
Qwen 3.8 27B是性能好、体积小的开源模型，个人也能本地部署。本地跑开源大模型，重点看容量和带宽两个指标，还介绍了Mac、RTX 5090、RTX PRO 6000三种部署方案及优缺点。
阿里重磅开源！Open Code Review：一周 5k star，为你的代码保驾护航
阿里开源 Open Code Review，它前身是内部 AI 代码评审助手，经大规模验证。该工具结合确定性工程与 Agent，解决通用 Agent 评审代码的问题，在准确率、效率等方面表现出色，还介绍了使用方法和评估方式。