「评测维度」共找到 797 篇相关文章
拍我AI V5模型发布，AI视频的“不可能三角”被解开了？
拍我AI推出V5模型，一上架就到Artificial Analysis榜单前列。它在多维度升级，维持速度和性价比优势，试图解开AI视频生成“不可能三角”。文章实测其运动、二次元、商业等场景表现，还提及速度与价格优势。
数字技术工人已到岗！时序大模型+Agent已掌握了工厂生产管控技术，比人类更懂工况
基于时序大模型和Agent的数字技术工人，能承担生产操作等关键任务，接手复杂工业环节。国内AI团队打造的河谷平台构建智能体，自研底层技术，以工艺维度训练，上岗快，极峰科技还创新商业模式。
告别“炼丹玄学”：上海AI实验室推出首个大模型数据竞技场OpenDataArena
上海人工智能实验室OpenDataLab团队推出开放数据竞技场OpenDataArena，致力于将数据质量评估从“玄学”变为“科学”。它有数据评测榜单和完整可复现的数据价值验证体系，为多类需求提供解决方案，还开源了核心工具。
搜索市场变天：AI搜索用户使用频次夸克6倍于传统巨头
QuestMobile报告显示，2025年上半年夸克AI搜索月人均使用频次是百度6倍多。夸克切中高频刚需场景、有基础能力且受年轻用户青睐。在产品性能维度，夸克已超百度，AI搜索市场正变天。
看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源
上海人工智能实验室等推出ShotBench、ShotVL及ShotQA，ShotBench含超3.5k问答对，ShotQA约7万个问答对。ShotVL在ShotBench评测中表现出色，3B参数的ShotVL-3B增益达19.0%，超越GPT - 4o等。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
把 Gemini 和 GPT 放到《我的世界》当教练，谁能看懂机器人的微操？
国立清华与英伟达团队研究《VLM-AR3L》，把Gemini 2.0、GPT-4.1等拉进考场，评估视觉裁决能力。结果显示Gemini综合最稳，开源小模型特定场景反超。还提出VLM-AR3L框架破使用瓶颈，实战超人类手写奖励。
长鑫科技，哪里值钱？
长鑫科技是国内最大DRAM芯片制造企业，过去十年累计亏损超366亿。2026年一季度，其营收508亿，归母净利润247.62亿，填平九年亏空。分析其利润可持续性，需从供需、产能、毛利率、HBM等维度判断。
GPT-Image-2平替！最强开源生图模型来了
OpenAI推出GPT Image 2引发AI生图大战，国内厂商商汤反击，推出多模态理解生成模型SenseNova U1并全面开源。它通过自研架构实现理解、推理、生成统一，实测表现惊艳，能力全维度，与GPT-Image-2范式不同。