「同质化评估」共找到 1447 篇相关文章
人类最后考试登上Nature：全球50个国家近千名顶尖学者打造的AI测试集
人类最后的考试（HLE）登上Nature，这一测试集由全球50个国家近千名顶尖学者打造，含2500道高难度试题。现有的人工智能评估工具已跟不上技术演进，HLE能测出AI极限，让顶尖机器暴露短板。
挺意外的，Agent长期记忆潜力被AMemGym挖出来了
论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
Granola：ChatGPT、Notion 都入场的 AI 纪要，能真正沉淀工作流吗？
AI 发展带动大量 AI 纪要工具兴起，Granola 凭借新颖 AI 交互方式和对 AI 产品的深入思考，成为领域后起之秀。它提供 AI 补充人工笔记功能，改变了很多知识工作者工作流，但也面临用户习惯和大模型公司切入等挑战。
到底是谁在推崇 Nature、Science？——一场跨学科评价体系的结构性误解
文章指出不同学科对 Nature、Science（N/S）态度差异大，基础学科不看重，应用学科推崇。原因在于学科生态差异，N/S 是传播器，下游学科需其传播成果，大奖评价与 N/S 体系不同，国内不应将其‘工具化’。
打造4大“AI龙虾” 军团，才懂钉钉为何是企业数智化的最佳答案
企业数智化喊了多年却鲜有成功，多数企业面临技术门槛高、系统不通、数据孤岛等问题。把Copaw这个AI Agent接入钉钉，运行了写日报、商机搜寻、A股财报分析、电商数据整理分析四个案例，展现了钉钉平台化优势，是企业数智化有效解法。
网民票选AI王者，LMArena一夜变17亿美元独角兽！
LMArena原是校园开源小项目，从2023年起步，如今估值达17亿美元。其Arena模式让网友盲投选AI，Elo评分系统算排名。虽有众包投票易操纵等争议，但已成行业标杆，还将为大厂提供付费评估服务。
AI时代CRM的重生之路：阿里云上的Salesforce如何改写SaaS规则？
AI 浪潮下传统 CRM 面临效率、合规与智能融合等问题。阿里云上的 Salesforce 展出“中国定制化 AI CRM”方案，历经六年探索，从合规、生态到 AI 闭环构建能力，通过多行业实践重塑企业增长逻辑，为 SaaS 行业提供范本。
将 AI 注入 Java 应用程序
文章围绕将 AI 注入 Java 应用程序展开，以宇宙飞船租赁应用的聊天机器人为例，介绍如何用 LangChain4j 和 Quarkus 等 Java 框架与大语言模型（LLM）交互，还提及流式响应、结构化输出等功能及相关概念。
智谱终于发布GLM-4.5技术报告，从预训练到后训练，细节大公开
上个月底智谱开源 GLM-4.5 及轻量版，成绩亮眼引热议。现其技术报告发布，详述预训练到后训练细节，还介绍了开源 RL 框架 slime，展示模型架构、训练阶段等，评估了在多任务上的表现。