「AI测试集」共找到 10975 篇相关文章
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
蚂蚁集团领投，光轮智能20亿美元估值引领全球具身数据基础设施｜甲子光年
具身智能市场逻辑生变，从关注模型和本体转向数据与评测基础设施。光轮智能获蚂蚁集团领投，估值超20亿美元。其构建完整闭环，参与国际标准制定，打造物理AI教育系统，引领产业发展。
“没有一张卡是空的”，阿里腾讯加码，算力军备进入“抢购下半场”
5月13日，腾讯和阿里巴巴释放AI算力投资加码信号。腾讯业绩增长，资本开支增加，高层称下半年采购提速；阿里CEO吴泳铭表示服务器算力利用率近极限，投资回报确定，支出或超3800亿。产业呈现三重新趋势。
今天，Anthropic偷偷移除了Pro用户的Claude Code访问权
Anthropic一度将Claude Code从Pro套餐移除，引发开发者不满，数小时后官网回滚，负责人称是小范围测试。Claude Code因高消耗或调整收费，Anthropic正修正订阅模型，这或改变开发者工具格局。
他发明了价值万亿的AGI，如今穷困潦倒
1997年，马克·古布鲁德首提AGI概念，警告技术突破对国际冲突的影响。如今AGI成巨头博弈焦点，价值万亿，但他未获名利仍清贫。他呼吁遏制AI军备竞赛，提醒别让技术失控。
Talking-Critic奖励模型带来更自然的音频驱动肖像
近期音频驱动肖像动画技术发展快，但现有方法存在嘴型声音不对、动作不自然等问题。阿里提出Talking - Critic奖励模型，构建Talking - NSQ数据集，还提出TLPO优化框架，提升多维度表现，实验超现有SOTA方法。
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。
奥特曼慌了！OpenAI连夜加薪全员放假，小扎疯狂挖人高管震怒
新智元报道，Meta疯狂挖人致OpenAI约十位员工跳槽。OpenAI首席研究官称像家被闯入，高层发强硬备忘录，决定重新调整薪酬、全员放一周假，以挽留人才。AI人才抢夺战白热化，行业形成“鄙视链”。
搜索Agent最新高效推理框架：吞吐量翻3倍、延迟降至1/5，还不牺牲答案质量丨南开& UIUC研究
大语言模型驱动的搜索智能体有能力但效率低。南开和UIUC研究人员剖析效率瓶颈，提出SearchAgent-X框架，实现吞吐量提升、延迟降低，且不牺牲答案质量，还揭示AI智能体平衡和等待问题。
清华刘知远团队：高质量LLM训练数据获取新方法！成本降90%，性能大提升
清华刘知远团队论文提出全新数据筛选方案，解决传统数据筛选验证慢、主观性强问题。发明‘半成品加工法’降成本，用fastText筛数据，筛出Ultra - FineWeb数据集，提升模型性能，还计划拓展到专业领域。