「评测系统」共找到 2235 篇相关文章
一篇自进化Agents技术最新综述：迈向人工超级智能
LLMs有局限性，研究者关注自进化Agents系统，其范式转变为人工超级智能铺路。文章回顾自进化智能体研究进展，围绕‘什么要进化’‘何时进化’‘如何进化’展开，提供理论和实践指导。
开源RAG又添新军！港大开源多模态RAG神器，多文档格式统一解析、知识图谱索引与混合检索！
在AI信息检索领域，传统RAG系统难处理复杂文档。港大数据智能实验室开源RAG - Anything，可提供端到端解决方案，能多格式解析、构建知识图谱和混合检索，优势显著。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
Lilian Weng：Harness才是模型自我迭代的现实起点和关键，而不是直接重写权重
Thinking Machines Lab联合创始人Lilian Weng发文指出，实现AI递归式自我改进（RSI），设计围绕模型的执行系统“Harness”才是现实起点。文中详述Harness设计模式、优化路径，也指出自我改进面临的瓶颈。
桌面 Agent 的下一步：不是会操作，而是会调度工具
复旦大学和通义实验室提出 ToolCUA，让模型在 GUI 与工具调用间编排路径。它从已有 GUI 轨迹合成训练数据，设计奖励机制，在 OSWorld - MCP 评测中效率与准确率大幅提升，为 CUA 发展提供方向。
几张GPU干翻超算！耶鲁AI颠覆化学合成，实验成功率71%
近日，耶鲁大学李昊特团队开发 AI 系统 MOSAIC，将化学合成知识分 2498 个领域训练专家模型。测试中对超 35 种新化合物合成成功率达 71%，还完成难反应与新反应，相关论文发表于《自然》。
刚刚，阿里官方认领神秘「欢乐马」，来自ATH郑波团队
周二晚间，AI评测平台Artificial Analysis上，‘欢乐马’空降榜首引热议。现阿里官方认领，它是ATH郑波团队模型，正内测，近期将开放API。其在多项排行榜表现出色，支持四种视频生成模式。
一个月狂揽2w+star，带你手搓自己的claude code！
Claude Code受广泛关注，但多数讨论抽象或为‘黑盒用法’。`learn-claude-code`项目对其深度拆解，通过12个课程教构建智能体载具系统，开源超一月揽34K star，还提供Web交互平台。
全是套路！英伟达千亿美元投OpenAI，奥特曼拿钱买卡还让甲骨文赚差价
英伟达计划向OpenAI投资最高1000亿美元，OpenAI要用这笔钱构建至少10GW的AI数据中心，全用英伟达系统。首笔100亿预计2026年下半年投入。此外还存在甲骨文参与的“三角财富循环”。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。