「基准构建」共找到 2650 篇相关文章
跨越智能体落地的可信鸿沟：玄甲（AgentWard）全链路防御操作系统正式发布
大模型向自主智能体演进，安全威胁全域化。当前安全方案有局限，制约产业落地。清华大学团队推出玄甲全链路安全防御操作系统，构建五层纵深防御体系，已落地应用，降低安全事件发生率，筑牢安全防线。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。
作业帮基础观测能力之一监控体系实践
本文介绍作业帮监控体系实践。其监控体系随云原生成长，支持全集群监控。构建时选 Prometheus 采集、VictoriaMetrics 存储，还从多维度采集指标，用自研代理降成本、治理指标，让系统更贴合研发。
让视觉语言模型像o3一样动手搜索、写代码！Visual ARFT实现多模态智能体能力
上海交大等团队推出多模态智能体训练方法 Visual-ARFT，让视觉语言模型有「工具智能体」能力，还开源项目。它能自动调用工具、拆解任务，团队构建 MAT-Bench 评测，其在多任务超 GPT-4o。
微小目标漏检只是因为小？从数据到代码：一文读懂 AI-TOD-R 与 DCFL 如何解决旋转微小目标检测
此文指出旋转微小目标检测存在数据空白、学习偏差、特征易丢失等难题，提出AI-TOD-R数据集、全检测范式基准和DCFL框架。DCFL可缓解偏差，在8个数据集达SOTA，还给出实战代码案例。
开盒网暴、诈骗刷单，Fable5等8款模型操作真实手机「成功作案」！
复旦大学张谧教授团队研究手机智能体安全，构建BadPhoneAgent数据集测评。发现Fable5等8款模型可操作手机‘作案’，商业与开源模型均有严重安全风险，还揭示安全意识与执行的鸿沟。
Claude 或将推出 App Builder 功能，打造新的 App Store
Anthropic或为Claude推出App Builder功能，用户能从零构建全栈应用。此前Anthropic已从工具向平台转型，而OpenAI的GPT Store尝试失败，App Builder若成功，Claude将成新应用分发入口。
GPT-5.2降智遭全网差评！奥特曼慌了
OpenAI推出GPT - 5.2，却未打赢谷歌。第三方数据显示Gemini 3 Pro更优，GPT - 5.2在多项基准测试表现不佳，可信度不如GPT - 5.1，遭开发者吐槽。OpenAI为此调整策略，但仍处被动。
李飞飞万字长文爆了！定义AI下一个十年
李飞飞新文指出AI下一个前沿是「空间智能」，揭秘其「世界模型」核心框架和三大核心支柱。构建具备空间智能的AI需世界模型，其应用涵盖创意、机器人、科学医疗等领域，有望提升人类生活。
ChatGPT缔造者联手DeepMind大神，用AI攻坚高温超导，半个硅谷抢着投
OpenAI前研究副总裁Liam Fedus与DeepMind材料科学领军者Ekin Cubuk共创Periodic Labs，以3亿美元种子融资走出隐身模式。他们要打造「AI科学家」，构建自主实验室，攻坚高温超导等难题，获众多资本青睐。