「RAG评测」共找到 823 篇相关文章
百度0.9B参数模型登顶全球第一，聊聊PaddleOCR-VL背后的技术细节
百度PaddleOCR-VL模型仅0.9B参数，在OmniDocBench V1.5榜单获92.6分全球第一，在多能力维度达业界最佳，能处理109种语言。其采用两阶段架构，结合优质训练数据，实现高性能与低内存、快速度的平衡。
Code2Video：代码驱动、智能体协同、精准可控的教学视频生成
新加坡国立大学 ShowLab 团队提出 Code2Video，一种基于代码驱动的视频生成新范式。它以可执行代码为媒介，结合三智能体协同框架，解决了现有文生视频方法在教育场景的不足，在美学和教学效果指标上有明显提升。
Meta打开AI元认知，让AI不止会解题，还会总结套路了
Meta等机构提出‘元认知重用’机制，让大模型学会反思总结。大模型打造‘行为手册’，与主流RAG系统有本质区别。研究人员设计三种实战用法，虽有局限，但为大模型推理难题提供了解决方案。
云厂商「进击」 Agent 开发平台
企业级智能体（Agent）市场崛起重构云服务竞争格局，云厂商需提供全栈能力。腾讯云宣布智能体开发平台3.0上线，优图实验室关键技术持续开源。文中还分析企业开发Agent难题及腾讯云应对举措。
突破企业AI落地的瓶颈：LangGraph × OceanBase 的融合数据层深度实践与解析（附源码）
麻省理工报告显示约95%企业实施AI后未获商业回报。文章从企业级AI应用场景切入，探讨数据层需求，通过Demo展示LangGraph与OceanBase融合构建数据底座，解决企业AI落地瓶颈，附源码。
1句话高质量生成游戏3D动作，北大新方法刷新动画制作SOTA
北京大学提出ReMoMask：基于检索增强生成的Text - to - Motion框架，集成三项关键创新。在标准基准测试上，相比RAG - T2M，在HumanML3D和KIT - ML上FID分数分别提升3.88%和10.97%。
用完字节的火山 VikingDB，我都不舍得告诉别人
作者所在团队与字节跳动的VikingDB RAG产品合作研发墨问“知识库”功能。介绍了VikingDB的向量库、知识库和长期记忆库能力，对比传统数据库凸显其优势，还阐述了相关技术推动信息连接变革。
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。
60%情况下，主流大模型没理解风险只是装懂！别被模型的“安全答案”骗了
研究发现超60%案例中主流推理模型生成合规答案却未真正理解风险，存在系统性漏洞。淘天集团团队引入“表面安全对齐”术语，推出Benchmark研究该现象，还介绍了数据集生成流程及评测指标。
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。