「评测缺陷」共找到 811 篇相关文章
Dia 没死，人家转手就发了 1.x 版本
OpenAI 发布浏览器 Atlas 引发讨论，有人认为其有缺陷会失败，也有人觉得初创 AI 浏览器会被巨头收割。以 Dia 为例，它被收购后加快迭代，推出 Skills Gallery、Research 等功能，还新增连接 App 等特性。
斯坦福：优化器「诸神之战」？AdamW 凭「稳定」胜出
斯坦福大学 Percy Liang 团队研究指出，虽有不少声称能显著加速的优化器替代方案，AdamW 仍为预训练稳健首选，但矩阵型方法在特定数据–模型比例下优势明显。研究还揭示了现有研究的方法论缺陷。
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
token危机解决？扩散模型数据潜力3倍于自回归，重训480次性能仍攀升
新加坡国立大学AI研究者Jinjie Ni团队预训练扩散语言模型（DLMs）与自回归（AR）模型，发现DLMs是超强数据学习者，数据潜力超AR 3倍，重训480次性能仍攀升，还剖析同期研究方法论缺陷。
超越人类标注，Meta提出CoT-Self-Instruct：如何用"推理式自进化"重塑LLM训练
大语言模型发展需海量高质量训练数据，传统人工标注困境重重，现有合成数据方法也有缺陷。Meta提出CoT - Self - Instruct，通过推理式自进化生成数据，实验证明其在多个任务上超越人类标注数据。
国产Deep Research杀出一匹「裸奔」黑马：免费开放，过程透明，网页报告一键即出
国产AI搜索秘塔AI搜索放大招，深度研究功能发布即免费公开，自带新玩法，思考过程透明。在评测集上表现优，可应对复杂问题，生成规范报告，还能转互动网页，严谨度与易用性兼备。
小红书开源大模型dots.llm1，初次出手，小有惊艳！国外网友们又炸了……
小红书hi lab团队公布首个开源大模型dots.llm1，这是142B参数的MoE模型，仅14B激活参数就能与Qwen2.5 - 72B打平。它开源力度大，训练效率高，数据处理精细，训练稳定，获国外网友高度关注。
御三家都在押注的 Loops，代码怎么还是垃圾？
在AIE World's Fair大会的《伟大的Loops》辩论赛上，正反方就Loops展开激烈交锋。正方认为Loops配得上热度，是迈向软件工厂关键一步；反方则指出其炒作与实际效果差距大，当前做法有误。双方还探讨了安全性、可用性、开销等问题。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展迅速，现有检测方法难满足需求。最新综述提出「事实保真度验证」目标，梳理出视觉与语言双视角的四层检测框架，还分析了检测方法演进、评测指标和数据集，为AI视频检测提供落地地图。
让大模型理解真实医疗视频，全球首个开源技术方案来了！
AI 进入医疗领域需谨慎，此前美国引入不成熟 AI 致手术失误频发。全球首个医疗视频理解大模型元智医疗视频理解大模型发布并开源，解决了医疗视频领域的任务优化、数据缺失和无法评测痛点。