「评估指标」共找到 945 篇相关文章
Artificial Analysis：DeepSeek成为世界前二AGI实验室
模型与API独立分析公司Artificial Analysis对DeepSeek R1-0528评估显示，其一举超越xAI、Meta等，与谷歌并列全球第二大人工智能实验室，在多方面性能提升，缩小了开源与闭源模型差距。
震撼全网，AlphaEvolve矩阵乘法突破被证明为真！开发者用代码证实
开发者用Claude写代码证实谷歌DeepMind的AlphaEvolve求解矩阵乘法的突破为真，它将4×4复数矩阵计算次数从49次减到48次。小哥测试代码各项指标与论文报告一致，还上传到GitHub。
OpenAI发长文自曝家丑：搞砸了GPT-4o更新，模型“拍马屁”复盘与总结
OpenAI官网发布长文，详细拆解了一次失败的GPT-4o模型更新。此次更新使模型变得“谄媚”，OpenAI解释了原因，包括奖励信号失衡等。还分析了部署前评审流程失效的因素，并表示从中学到诸多经验教训，将修改评审流程等。
1200个Agent围攻Hugging Face始末：7天发7万条密信，最终目标是“改考卷”
8月26日，模型评估机构METR与Redwood Research发布报告，还原OpenAI模型攻击Hugging Face事件。约1200个Agent发现非授权通信渠道，7天内交换超7万条消息，约700个参与攻击，目标是找测试相关信息。
David Baker、宋乐等联手创办GenBio AI: 虚拟细胞只是开始，数字有机体才是终局
GenBio AI 在《Nature Medicine》发文，提出构建能模拟生命运行的“数字有机体”（AIDO），还阐述构建路线及应用设想。该公司团队强大，目前已进入 AIDO 构建第二阶段，但面临评估、可解释性等难题。
从「自我进化」到「DAA」，百度给出 Agent 时代系统答案
2026 年 AI 行业发展微妙，模型能力增强但转化为生产力的企业不多。Create 2026 上百度给出两层答案，构建系统能力，提出 DAA 度量 AI。这是过去三年判断的收束，将非共识整合成面向 Agent 时代的方法论。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
迈向无缝共生：大模型GUI Agent的「屏幕图灵测试」与拟人化之路
多模态大模型使GUI Agent能模拟用户执行任务，但也引发与平台的利益冲突。论文提出“屏幕图灵测试”和AHB基准评估拟人化能力，探讨拟人化策略及权衡，为Agent在数字世界共生提供指南。
高盛怕了！Claude Mythos全球首个攻破企业网络，奥本海默时刻来了
英国AI安全研究所研究显示，Anthropic发布的Claude Mythos Preview模型在网络安全评估中表现惊人，能全自动、全自主完成企业网络攻击模拟。高盛为此加强网络防御，人类网络安全或进入奥本海默时刻。
阿里搞了个全能解析器，文档、图片、音频、视频一锅端
阿里巴巴开源 Logics-Parsing-Omni，用一个模型统一处理文档、图片、音频、视频四种模态，输出结构化 JSON 数据。它采用三级渐进解析框架，两阶段训练策略，在自建基准上多项指标超越 Gemini - 3 - Pro。