「评估标准」共找到 1007 篇相关文章
比10年专业医生准4倍！微软发布突破性医疗AI系统
微软首席执行官分享新发布的医疗AI系统MAI - DxO，它模型无关，能适配不同语言模型，模拟医生诊断流程。测试显示其准确率远超专业医生，成本大幅下降。此外还发布序贯诊断基准SDBench。
打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力
如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。
国产大模型高考出分了：裸分683，选清华还是北大？
字节跳动Seed团队公布全球第一梯队大模型“高考成绩”，Gemini理科655分排第一，豆包文科683分排第一、理科648分排第二。文章解析评测标准，分析各科目表现，还介绍豆包能力提升技术亮点。
如何平衡本土创新与全球化？ 安谋科技CEO陈锋夏季达沃斯发声
2025夏季达沃斯论坛在天津举办，安谋科技CEO陈锋受邀出席“助力中国科技新突破”圆桌论坛。他指出全球AI转向场景落地，物理AI、脑机接口是方向，还强调企业要平衡本土创新与全球化，分享了安谋科技实践路径。
你永远叫不醒装睡的大模型！多轮对话全军覆没，性能暴跌39%
研究人员进行超20万次模拟实验，耗资5000美元，评估大模型在多轮对话中的表现。结果显示，大模型在多轮对话中性能明显低于单轮对话，平均下降39%，还出现“对话迷失”现象。
苹果拆解AI大脑，推理模型全是「装」的？Bengio兄弟合著
苹果最新研究揭示大推理模型（LRM）在高复杂度任务中普遍‘推理崩溃’。即便给予明确算法提示，模型亦无法稳定执行，暴露推理机制的局限性。研究还通过多种实验环境分析了模型在不同复杂度问题中的表现。
吴恩达对谈LangChain创始人：企业构建Agen系统的核心认知！
吴恩达与LangChain联合创始人Harrison Chase深度对话，点明构建Agent系统关键要点，如关注系统‘Agentic’、解决构建核心挑战、模块化构建等，还提及被低估领域、MCP问题及AI创业制胜之道。
Artificial Analysis：DeepSeek成为世界前二AGI实验室
模型与API独立分析公司Artificial Analysis对DeepSeek R1-0528评估显示，其一举超越xAI、Meta等，与谷歌并列全球第二大人工智能实验室，在多方面性能提升，缩小了开源与闭源模型差距。
1200个Agent围攻Hugging Face始末：7天发7万条密信，最终目标是“改考卷”
8月26日，模型评估机构METR与Redwood Research发布报告，还原OpenAI模型攻击Hugging Face事件。约1200个Agent发现非授权通信渠道，7天内交换超7万条消息，约700个参与攻击，目标是找测试相关信息。
David Baker、宋乐等联手创办GenBio AI: 虚拟细胞只是开始，数字有机体才是终局
GenBio AI 在《Nature Medicine》发文，提出构建能模拟生命运行的“数字有机体”（AIDO），还阐述构建路线及应用设想。该公司团队强大，目前已进入 AIDO 构建第二阶段，但面临评估、可解释性等难题。