「测评体系」共找到 728 篇相关文章
推荐系统进入「双动力」时代！首篇LLM-RL协同推荐综述深度解析
强化学习是推荐系统主流建模范式，但传统 RL 推荐系统有诸多瓶颈。大语言模型崛起带来新机遇，LLM 与 RL 结合开启新范式。研究团队发布首篇相关综述，提出五大协同范式，总结评估体系，分析挑战与方向。
准确率提升至 90%，阿里商旅基于 AgentScope 构建多智能体差旅助手最佳实践
阿里商旅依托阿里巴巴生态，旗下AliGo差旅助手可实现业务闭环。早期单智能体模式有瓶颈，后基于AgentScope构建多智能体系统，从技术选型、架构设计等多方面优化，事项收集准确率提至90%+，还解决诸多问题并获奖。
AI在线强化学习“边做边学”，斯坦福团队让7B小模型性能飙升，甚至超越GPT-4o
斯坦福等团队提出新范式AgentFlow，由四个智能体组成，用在线强化学习持续提升智能体系统推理能力。以Qwen - 2.5 - 7B - Instruct为基座模型的它在多基准测试表现突出，甚至超越GPT - 4o等大模型。
从人工到AI驱动：天猫测试全流程自动化变革实践
AI时代，天猫技术质量同学探索AI在测试全流程提效的落地方案，将传统测试工作链拆解为五阶段，目标是实现全流程自动化等。介绍了测试体系变革、所需关键能力、技术架构及落地收获与未来趋势。
LangChain CEO 再聊 Agent：chat 模式只是起点，Ambient Agents 才是未来
LangChain CEO Harrison Chase 和企业 Agent 平台 Dust 的 CEO Stanislas Polu 在播客中探讨 Agent 发展。他们认为 Agent 是光谱，Agentic 程度更重要；chat 模式只是起点，Ambient Agents 才是未来；还谈及多智能体系统及 AI 创业等话题。
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
WAIC期间，蚂蚁数科金融推理大模型发布会未开，论文已上线。其新模型Agentar - Fin - R1有8B和32B版，在金融测评集超DeepSeek等，还兼顾专业与通用，蚂蚁数科还提出评测基准Finova。
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
智元启动「买买买」，路径未明，资本抢跑，主流技术范式下谁在领跑具身智能赛道？
2025年7月，智元机器人21亿现金收购上纬新材，成A股首个“具身智能概念”上市公司，引发行业震动。具身智能技术尚在演进，业内从多方向构建系统，主流路径有端到端大模型体系和双系统架构。
5款大模型考「山东卷」，Gemini、豆包分别获文理第一名
近日，字节跳动Seed团队用2025年山东高考真题对5款大模型进行全科闭卷测评。结果显示，豆包Seed1.6 - Thinking获文科第一，Gemini 2.5 Pro获理科第一。大模型一年间进步显著，未来或融入更多领域。
13年死磕一个真理，这家中国AI黑马冲刺IPO
云知声深耕AI 13年，即将冲刺港交所IPO。它从单一语音识别发展为全栈AGI方案商，以智慧生活和智能医疗双轮驱动，营收稳健增长。其坚持技术创新，构建全栈自研体系，有望在AI时代持续领跑。