「学术评价体系」共找到 859 篇相关文章
完全相信 AI 代码的 Uncle Bob，坦诚这条路还没走通
在AI代码普及当下，Uncle Bob放弃人工评审代码，搭建管控框架引争议，Grady Booch反对，认为AI无法替代资深工程师。Uncle Bob设强约束体系，虽有成效但自动化架构规划未达理想，还给出开发建议。
刚刚，Anthropic开源Claude挑战黎曼猜想的4篇论文
Anthropic开源未公开版本Claude挑战黎曼猜想的4篇论文。Claude虽未证出猜想，但将零点在临界线上的比例下界从41.6%推到67.2%。整个过程由多智能体自主完成，还建立严格验证体系。
从“会用”到“驾驭”：AI Coding 进入生产环境的真实碰撞
InfoQ《极客有约》X AICon 直播栏目，邀网易游戏林香鑫等探讨 Coding Agent 重构软件工程环节。嘉宾分享了 AI Coding 在生产环境的变化、MCP 等概念作用、代码质量保障、Agent 权限及 AI 原生研发体系建设等观点。
“客户测950，不到一周下单了”，DeepSeek V4 逼出昇腾真功夫
昇腾计算业务副总裁张良透露昇腾近期销量好、认可度提高，大量客户基于其做训练。DeepSeek V4 考验昇腾，其超节点产品均支持。昇腾还对芯片体系和软件栈升级，拒绝仿 CUDA，坚持自主构建生态。
人多不管用！智能体团队别盲目扩张，最新综述给出三大维度
随着大语言模型驱动的多智能体系统快速发展，核心问题是有些系统规模扩大后会失稳、低效。美国、英国和澳大利亚研究人员提出三维分类框架描述大规模智能体网络，指出真正决定系统表现的是三种机制组合。
拿着做数学题的 PRM 来评判 Agent 调用工具，基本是行不通的！
目前评估体系多为结果导向，在工具调用上缺乏像样的PRM基准。Arizona State University和Intuit AI Research研究者推出ToolPRMBench，指出用做数学题的PRM评判Agent调用工具行不通，还介绍了其构建方法、训练范式和实验结果。
破除AI Agent自主操控风险：万字解读LangGraph“人工干预”机制 ，附零基础实战
随着LLM驱动的Agent从学术走向应用，确保其行为的可靠性、安全性与可控性成关键挑战。文章以LangGraph为例，介绍其人工干预机制的核心原理、四大经典模式及案例实践，助开发者构建可靠、安全的智能代理。
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
Runway Gen-4.5刷屏发布，把重量、尘土和光影都做对了，网友：颠覆
Runway Gen-4.5突袭发布，获“视频生成AGI时刻”评价，在Artificial Analysis测试中拿下SOTA。它能精准执行复杂指令，物理还原与视觉精准度强，官方将逐步开放使用权限，还直言其存在因果推理等局限。
微信测试中心刷新业界标准，斩获 ICCV 图像质量评估挑战赛冠军
微信测试中心IH-VQA团队在ICCV 2025 MIPI赛事夺冠，其首创的iDetex方案刷新业界标准。该方案能精准定位图像失真，提升评估可解释性，已在微信多业务落地，未来将深耕多模态质量评价等领域。