「评测系统」共找到 2235 篇相关文章
高潮从第几秒开始？GaMMA 让多模态大模型真正「听懂」音乐时间线
现有多模态大模型难以理解音乐时间线。复旦大学与字节跳动团队提出 GaMMA，采用双编码器融合网络，经三阶段训练，还推出 MusicBench 评测基准。实验显示，GaMMA 在多基准上表现优异，刷新 SOTA。
DeepMind华人研究员Lun Wang离职，「评估」成制约模型能力飞跃的瓶颈
谷歌DeepMind研究员Lun Wang离职后发文指出，当下评估体系难以应对新模型，制约模型能力飞跃。现有评估多针对当前模型，新能力出现时往往无法预测，需构建能自我进化的评估系统。
字节跳动开源视频生成模型Alive：12B参数，个人电脑也能跑
字节跳动开源视频生成模型Alive，12B参数，支持四种模式，硬件门槛低。在评测中表现出色，技术架构精心设计，解决音视频同步等问题，虽有小瑕疵，但更适合普通玩家。
Minion Skills: Claude Skills的开源实现
Claude推出Skills系统，让AI Agent按需处理专业文档。作者在Minion框架中实现开源版本，介绍设计理念、实现细节，包括技能定义、发现、注册表等，还展示效果、亮点，阐述开源原因与未来方向。
深度拆解 Claude 的 Agent 架构：MCP + PTC、Skills 与 Subagents 的三维协同
Anthropic 在 Agent 工程领域不断创新，除了 MCP 外还推出 Skills 与 PTC 并在 Claude 平台落地。本文深度拆解 MCP + PTC、Skills 与 Subagents 的定位、联系与应用，助你拓展构建 Agent 系统的思维。
最火VLA，看这一篇综述就够了
ICLR 2026爆火领域VLA全面综述来了！作者Moritz Reuss是2025年Apple AI/ML学者奖得主。文中明确VLA概念，介绍八大趋势，指出评测失真问题，还提及未来需重视数据质量与上下文学习。
DeepSeek大招曝光？梁文峰督战超级智能体：能自主学习，或年底发布
据彭博社爆料，DeepSeek正开发AI智能体，打造无需复杂指令、可自主学习与执行的下一代AI系统，年底发布。此前DeepSeek R1表现出色，曾推动开源发展，此次新动作彰显竞争决心。
国产大模型高考出分了：裸分683，选清华还是北大？
字节跳动Seed团队公布全球第一梯队大模型“高考成绩”，Gemini理科655分排第一，豆包文科683分排第一、理科648分排第二。文章解析评测标准，分析各科目表现，还介绍豆包能力提升技术亮点。
用Codex做跨境电商：第九章
文章讲述用Codex做跨境电商时，五条工作流跑通后业务仍会遇问题，而业务系统能让前后任务相连。其是持续经营机制，通过五步让本周之事影响下周做法，还结合案例说明如何操作。
牛津、NUS提出下一代世界模型方向：心智世界模型来了
牛津大学和新加坡国立大学研究团队提出心智世界建模（MWM）通用框架，将心智变量纳入世界状态。还实现基准系统 MENTIS 验证其有效性，实验表明 MWM 对预测人类决策必要，瓶颈是状态转移模拟能力不足。