「产品评估」共找到 2246 篇相关文章
大模型训练新突破！“不对称”训练让AI学会自我反思，推理零开销
字节团队提出全新语言模型训练方法PCL，首次打破训练与推理对称约束，实现‘训练-推理不对称’。在训练时让模型反思评估结果，推理时仅输出答案，零额外开销，显著提升模型能力。
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
今天，OpenAI与微软正式「分手」！AGI卖身契作废
OpenAI与微软联合官宣重写合作协议，微软放弃独家销售权，AGI绑定条款失效，OpenAI可在多平台卖产品。但AWS部分企业客户反应冷淡，Anthropic发展势头猛，OpenAI错过黄金期。
失去三个联创后，Mira公司危机持续：又有两人要出走
前OpenAI CTO Mira Murati创办的Thinking Machines Lab危机不断，此前三位联创离开，如今又有两位技术骨干将出走，多家媒体称是OpenAI人才突袭，公司内部产品、发展等分歧或是主因。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
张涛首次回应争议，Manus 为什么没有被替代？
11月30日，真格举办AI创业分享活动，Manus联合创始人张涛首次回应质疑。他表示Manus秘密公开，Less structure, more intelligence，且在Benchmark中长期居首。他还谈产品决策、发展方向，建议学生学会与Agent共处。
一个邪修方法，帮你把用Agent的钱省掉80%。
作者曾分享Minimax的Agent，因使用成本高遭读者反馈。现该工具推出Publish to Gallery & Remix功能，用户可复用项目，降低成本，还能形成集体智慧。不过产品和交互设计较粗糙。
ICCV 2025 | UniOcc: 自动驾驶占用预测与推理统一数据集及基准平台
来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。