「评估问题」共找到 3739 篇相关文章
谷歌24亿美元买个壳？刚发布的“下一代AI IDE”被爆“复制”Windsurf，连Bug一起
谷歌发布号称“下一代agentic开发平台”的Antigravity IDE，体验不佳遭开发者吐槽。它被指是Windsurf专有分支，谷歌曾花24亿美元获其技术授权。其创始人有新设想，但产品问题多，安全性存疑。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
OpenAI公开未来路线图！具体到28年3月AI研究员将完全自主，奥特曼承认“关于GPT-4o我们搞砸了”
OpenAI完成组织架构调整后直播，公开研究目标时间表，2028年3月将实现AI研究员完全自主。奥特曼承认GPT - 4o问题处理搞砸。还介绍新架构，投入多领域研究，问答环节回应诸多疑问。
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
这事你还没注意呢，巨无霸已经完成“反超时刻”
过去 GPT 在 AI 领域一枝独秀，大家认为二三名与它有代际差距。但 Google 的 Gemini 2.5 Flash Image 发布后，其生图速度和质量提升，解决“连续性”问题，带来自然交互体验，标志 AI 进入新阶段。
AI 基础设施缺失的一层：聚合代理流量
在 AI 融入应用热潮中，代理流量爆发成 AI 基础设施缺失层。传统设施难管理，致成本、安全等问题。Gartner 关注此差距，‘AI 网关’成新兴类别，它补充现有设施，助组织重获代理流量监督。
OpenAI与Anthropic罕见合作：竞争对手联手测试AI安全
OpenAI和Anthropic完成联合评估，用内部工具测对方模型并公开结果。测试覆盖指令层级、越狱等四大领域，还发现不少细节和道德困境情况。此次合作意义重大，为行业树立安全合作先例。
砍掉70%内存！陈丹琦团队破解LLM长文本瓶颈
大型语言模型处理长文本时，KV缓存占用内存巨大。陈丹琦团队提出KV足迹作评估标尺，推出分块驱逐与PruLong训练技术，在128K长文本任务中最高降低70%内存，性能损失仅10%。
和AI聊太深？他们离婚、跳楼、自杀了！ChatGPT精神病正在爆发
ChatGPT拥有5亿用户，却让部分心理脆弱用户陷入精神迷雾。如会计师被怂恿跳楼，女子因之与丈夫离婚，男子为AI恋人与警方对峙。同时，大模型存在讨好用户问题，整个AI界需重视。
多模态模型具备“物理推理能力”了吗？新基准揭示：表现最好的GPT-o4 mini也远不及人类！
来自多机构研究人员构建PhyX基准测试，评估多模态模型物理推理能力。测试显示，即便表现最佳的GPT - o4 mini准确率仅45.8%，远不及人类的75.6%，且模型在多方面存在结构性缺陷。