「评测框架」共找到 2156 篇相关文章
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
CVPR 2026｜DROID-W：复杂室外动态场景，也能稳定SLAM
苏黎世联邦理工与微软团队提出 DROID - W 动态 SLAM 框架，即将发表于 CVPR 2026。它不预设动态物体，从多视角观测识别不可靠区域，还提出交替优化方案，在多个数据集表现优。
鹅厂门口免费装龙虾，几百人排爆了！一代人有一代人的鸡蛋要领
腾讯云工程师在鹅厂门口免费为几百人安装OpenClaw，提供“从装到玩”服务。OpenClaw是开源智能体框架，像“龙虾”，可自动操作电脑。目前GitHub Star数超27.04万，多家公司跟进。
腾讯把IMA知识库开源了！WeKnora支持Agent调用、MCP协议扩展，企业级RAG零成本落地
腾讯开源WeKnora，这是面向复杂异构文档的LLM框架，走完整RAG流程。它有Agent模式，支持多种知识库类型和格式，有Web UI。适合公司、研究者、开发者等，还给出了上手步骤和部署提醒。
清华推出AI数学家！独立完成数学理论难题，自动调用基本定理、构建证明思路
清华团队推出AI Mathematician（AIM）框架，可将LRMs推理能力延伸至前沿数学研究。它由三大模块驱动，有两大核心策略。实验显示其能解决多个挑战性问题，虽有不足，但未来有望成数学研究核心驱动力。
14B检索能力超过Google Search，阿里ZeroSearch通过RL激发LLM检索推理能力~
有效信息搜索对提升LLMs推理和生成能力重要，当前RL方法有文档质量不可控和API成本高问题。阿里通义Lab提出ZEROSEARCH框架，经多步骤训练，实验显示其在检索能力和泛化性上表现出色。
OpenClaw长期记忆：优秀管线与玄学效果
文章拆解 OpenClaw 记忆系统全链路，指出其虽设计理念好，但记忆效果不稳定。介绍 RDSClaw 记忆插件如何补强，该插件与原生系统协作，提升记忆稳定性，在 LoCoMo10 评测中成绩显著。
告别Selenium！这个8K+星的AI浏览器自动化神器，让爬虫开发效率飙升10倍
传统浏览器自动化工具基于‘精确选择器’，网站改版代码易崩溃。而Stagehand是新一代AI浏览器自动化框架，用自然语言控制浏览器，开发效率提升10倍，维护成本降80%，还具备自然语言操控、自我修复等功能。
零样本&少样本横扫12个工业医疗数据集：西门子×腾讯优图新研究精准定位缺陷，检测精度新SOTA丨AAAI 2026
西门子与腾讯优图联合团队提出AdaptCLIP通用视觉异常检测框架，不改动CLIP主干，引入轻量适配器。它兼容零样本/少样本推理，在12个数据集评估表现优，兼顾精度与部署需求。
字节发布全球首个预测未来基准FutureX，Grok-4 拿下冠军
字节跳动发布全球首个实时未来预测基准测试FutureX，杜绝模型作弊。在25个模型评测中，Grok - 4夺冠。它从多网站构建问题，分四级难度。人类专家在部分等级仍领先AI 。