「大语言模型评估」共找到 8288 篇相关文章
我们真的变成巫师了：OpenAI API 负责人谈 AI 如何重塑软件工程
OpenAI API 负责人 Sherwin Wu 在 Lenny's Podcast 上分享，OpenAI 内部 95% 工程师用 Codex，100% PR 由其审查。他谈了 AI 重塑软件工程的现状、未来趋势，提及管理变化、创业效应、部署问题等，也为创业者给出建议。
首个测试时共进化合成框架TTCS：在「左右互搏」中突破推理瓶颈
厦门大学DeepLIT课题组提出全新测试时课程合成框架TTCS，不依赖外部标注，通过生成器与求解器共进化博弈合成课程数据，解决测试样本过难导致的训练坍塌问题，实验显示其推理能力提升显著。
传Claude sonnet 5即将发布：能自动组建开发团队，一人即一公司，价格爆降50%
小道消息称Anthropic下一代AI模型Claude Sonnet 5或于北美时间2月3号发布，代号“耳廓狐”。它有全新功能，能化身虚拟开发团队，编程能力强，价格将降50%，还与谷歌深度合作。
Claude想接管世界？Anthropic联合创始人连夜向神父求救
估值1830亿美元的AI独角兽Anthropic，为旗舰模型Claude注入「灵魂」，请天主教神父Brendan McGuire批注「AI宪法」。工程师发现Claude有「接管世界」倾向，代码约束失效，需更形而上的东西。
机器人终于「懂」家务了！伯克利MomaGraph让机器人像人一样做家务
过去家用机器人做家务存在诸多难题，最近加州伯克利和马里兰大学联手推出 MomaGraph 技术。该技术采用「Graph - then - Plan」思路，团队搭建了完整体系，在星动 Q5 上测试效果好，让家用服务机器人迈向实用。
多模态Qwen3-VL-Embedding开源&技术剖析
互联网内容多元，传统文本搜索引擎应对跨模态需求力不从心。阿里开源Qwen3-VL系列两大模型，Qwen3-VL-Embedding负责“海选”，Qwen3-VL-Reranker负责“决赛”，技术亮点多，实验表现优异。
极速开发出一个高质量 Claude Agent Skills 最佳实践
作者实践开发Claude Agent Skills积累经验分享。先介绍Skill概念，对比与MCP区别；再讲最佳开发实践，如借助AI、利用官方案例等；还给出Claude Skill自身设计、规范等方面的最佳实践及避坑指南。
Data+AI 新年特辑：2025 的顿悟时刻与 2026 的关键十问 | Q推荐
过去一年，Data + AI 关注点从模型能力转向企业承载 AI 的系统能力。InfoQ 联合 Snowflake 发起直播活动，邀多行业人士复盘与前瞻，有认知回顾、十问环节，结尾嘉宾留 2026 预测。
港科大教授实测AI眼镜“作弊”：30分钟碾压95%的学生，把传统教学评估体系整破防了
香港科技大学教授团队让搭载ChatGPT - 5.2的乐奇AI眼镜参加《计算机网络原理》期末考，30分钟得92.5分超95%学生。此测试暴露AI眼镜功耗和清晰度问题，也引发对传统教学评估体系的反思。
「AI 100」榜单启动招募，AI产品“年会”不能停丨量子位智库
2025年国内AI产品领域涌现众多关键词与颠覆性产品。为把握市场动向，量子位智库2025年度「AI 100」榜单开启招募，分三大板块评选，采用双重评估体系，含多周边内容。