「系统评估」共找到 2283 篇相关文章
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。
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》。
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”。
谷歌AlphaEvolve引发OpenAI关注：AI原创算法，正挑战人类专家界限
谷歌DeepMind推出的AlphaEvolve系统，结合Gemini模型与进化算法，能自主探索、生成并迭代优化算法代码。它优化经典算法，在多领域取得突破，其原创能力引业界关注，OpenAI研究员对此表示震撼。
不到一年ARR破亿元，GEO厂商智推时代获数千万元天使轮融资 | 甲子光年
近日，AI营销科技公司智推时代完成数千万元天使轮融资，将用于技术研发等。其成立一年多 ARR 破亿，服务近 400 家头部客户。自研 GENO 系统，与华东师大共建实验室，还布局全球市场。
从需求到设计到代码，一个软件全搞定！TRAE Work Design实测来了
TRAE Work上新Design模式，与Work、Code模式配合，实现需求、设计、代码全链路在一个平台跑通。它能识别提取设计系统，提供多种改图方式，且出图合规、改图顺手，还简化了工作流。
你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench
剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。
Claude Agent Skills：从第一性原理深入剖析
本文深入剖析Claude的Agent Skills系统，它是基于提示的元工具架构，借助‘提示展开’与‘上下文改写’扩展大模型能力。文中以具体技能为例，介绍其机制、构建方法、编写规范及常见模式。
Kubernetes 引入后量子支持的 TLS
Kubernetes推出增强功能，通过与KMS插件系统集成的混合密钥交换机制支持后量子密码学，应对量子计算对加密协议的威胁，确保系统能随密码学标准演变灵活适应，此举措符合相关建议。