「AI评估」共找到 10069 篇相关文章
拒绝不必要Think：微软&北大提出第一种自适应大型混合推理模型
大型推理模型冗长思考开销大，微软研究院和北大提出大型混合推理模型（LHRMs），它能依查询上下文决定是否思考。介绍了两阶段训练流程、评估指标，实验显示其超越现有模型且效率高。
一点点偏差，为什么会把大模型 RL 带跑偏？
本文解读Together AI的新算法论文，讲解大模型强化学习中，采样端与训练端的微小偏差如何累积放大导致训练跑偏，介绍Score Centering校正方法的原理、效果与应用边界。
OpenAI解散「灾难风险应急」团队！GPU大神Scott Gray也跑路了
OpenAI解散「Preparedness」团队，该团队负责评估自家AI灾难级社会风险。官方称安全工作已融入开发流程。此前多个安全团队也已解散，多名安全高管离职，引发员工不安。
白春礼：人工智能促进科学研究范式变革
白春礼在浦江论坛探讨AI对科研范式变革的影响。他指出，当下科学研究体系面临发现机制、组织方式、知识生产方式的结构性重组，呈现新特征，同时也面临竞争、组织变革等挑战。
狂揽近4万Star！这份Claude Code最佳实践，效率翻倍！
GitHub上`claude - code - best - practice`项目爆火，Star近4万。它是Claude Code全功能实战指南，将「Agentic Engineering」落地开发，解决开发者接入AI的痛点，有结构化方法论、可复用模板等亮点。
Anthropic出手，一批Agent创业公司死去
Anthropic推出Claude Managed Agents，号称几天就能上线生产级智能体。它提供全托管、开箱即用的智能体基础设施，让传统SaaS公司与AI初创公司面临危机，AaaS时代正开启。
狂涨14.4K star！大三学生开发的Github可视化利器，真吊！
开源君介绍`gitdiagram`，这是结合AI与Web开发栈的开源工具，能将GitHub仓库变成交互式架构图。由大三学生开发，获14.4k星标，微软等企业团队采用，性能佳、使用便捷。
比思维链准43%！逻辑脑+大模型直觉，推理可靠性大幅提升
中德研究团队发布成果，给大模型外挂「逻辑脑」，结合答案集编程与LLM，构建神经 - 符号框架，提升空间推理准确率，让AI能说清逻辑、跨任务迁移，迈向更可靠的通用推理。
Agent全自动搭建代码运行环境，实时更新解决评测过拟合/数据污染问题｜微软
长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。
刚刚，Anthropic官方Cluade 5使用指南发布
Anthropic发布Claude 5的Context Engineering官方指南，指出为Claude Opus 5和Claude Fable 5删掉Claude Code超80%的system prompt，在编码评估上无明显损失。还揭示6组范式反转及四类上下文载体新分工。