「评测维度」共找到 797 篇相关文章
小模型推理极限在哪里？微博开源3B小模型，比肩顶级闭源
微博新开源的VibeThinker - 3B小模型，将特定能力维度性能推向极限。它在数学竞赛、编程等可验证推理基准上表现优异，成绩直逼顶尖大模型。其训练流程层层叠加，还提出参数压缩 - 覆盖假说。
Coding Agent 在百度的落地实践：从反馈闭环到工程范式重构
本文整理自百度文心快码研发经理牛万鹏演讲，介绍了Coding Agent在百度的落地实践。包括落地成效、Agent Loop框架问题、Feedback Loop构建、Benchmark评测及Agent Engineers理念，还提及企业级Agent落地的工程问题。
NUS、牛津等联合发布音视频智能综述：系统梳理大模型时代的AVI全景图
NUS领衔近10家机构发布音视频智能综述，系统梳理大模型时代AVI发展全貌，涵盖感知、生成与交互，复盘子方向工作，构建任务蓝图，整理评测体系，总结基础技术，还探讨应用、安全及未来研究方向。
3B激活参数，干翻GPT-5.4和Opus4.6，商汤绝影把龙虾塞进了车里
商汤绝影发布端侧多模态大模型Sage，32B总参数、3B激活参数，在PinchBench评测超Claude Opus4.6等。自研SCOUT和ERL技术助力，从多维度领先同量级端侧模型，为座舱智能体提供支撑。
龙虾安全被3层硬核架构焊死了！一份面向开发者的硬核生存指南
随着OpenClaw等高权限智能体应用爆发，AI自主性与失控的赛博博弈开启。文章从源头对齐、边界重构、结果保障三个维度，拆解适应智能体自主行动时代的新型安全框架，为开发者提供生存指南。
CL-Bench的故事没有结束，生成式CL-Bench：GENIUS来了
北大团队发布GENIUS，用于评估模型生成式流体智力。它构建含510个样本、20个子任务的评测集，测试模型多方面能力。实验显示当前模型流体智力有短板，还提出免训练注意力校准机制提升性能。
这么哇塞的世界模型，竟然是开源的！
蚂蚁灵波开源通用世界模型LingBot-World，视觉效果与Genie 3不相上下且时间维度更长，能让用户深度参与，还具备一致性、记忆力等特点。它通过数据和模型层面创新炼成，结合此前开源成果构建具身智能基础设施。
王小川：30亿现金在手，明年IPO，toC产品马上就发
百川智能CEO王小川明确发展主线，百川开源新一代医疗大模型Baichuan-M3，在医疗评测中表现优异。公司约30亿资金，预计2027年IPO，今年将发两款to C医疗产品，重点在院外诊疗。
深度讨论 Gemini 3 ：Google 王者回归，LLM 新一轮排位赛猜想｜Best Ideas
近期，OpenAI、Google、Anthropic 先后发布新模型，引发大模型竞赛。本文聚焦 Google 发布的 Gemini 3，从算力、数据、架构等维度剖析其强大原因，探讨大模型竞争新格局，还涉及多模态、硬件、商业化及产品形态等方面。
T2R-Bench发布：业内首个由表格生成报告工业基准
为解决大语言模型将表格信息转化为报告的难题，研究团队提出“表格到报告”任务，构建双语基准T2R - bench，其涵盖多垂域表格，还设计评价指标体系，实验显示大模型在该基准上提升空间大。