「评测维度」共找到 797 篇相关文章
120页深度报告，搞懂今年大模型和应用的现状与未来
Innovation Endeavors合伙人Davis Treybig发布《State of Foundation Models》（2025），从七个维度剖析AI产业现状与趋势。报告指出，AI发展迅速，模型成本高且迭代快，应用渗透各行业，智能体崛起，市场结构变革，公司运作方式也在重塑。
新模型亦是新 Agent，Kimi-Researcher 超大量一手实测！
2025 年被称为“Agent 元年”，月之暗面发布了端到端强化学习训练的新一代 Agent 模型 Kimi - Researcher，其基座是自研新模型。文章对其进行大量实测，与 OpenAI 等对比，并探讨了 Deep Research 的重要性及 Kimi 的不足。
2025「中国最具价值 AGI 创新机构 TOP 50」发布
2025年中国AI行业新应用、新产品不断涌现。Founder Park从商业价值创新等四维度选出50家AI创业先锋，涵盖大公司新产品、垂直赛道头部公司和初创企业等，还介绍了如阿里生意管家、ACE Studio等众多创新产品。
一个Skill让DeepSeek V4 Pro超越Fable 5？热门插件被锤了
前两天J-Space凭夸张测试结果刷屏，宣称一份Skill接入Agent环境，能让V4 Pro在多基准大幅提升，部分成绩超Fable 5。但社区复测结果相反，作者未公开完整评测记录，还删质疑帖，引发公开打假。
对话 XYZ-Aquila丨Deep Search SOTA 背后 AI 到底怎么参与改进 AI？
近日，XYZ AI Lab发布两款面向Deep Search的Agent，在评测中领先。其采用AI4AI方法，让AI参与研发判断。团队接受采访，探讨AI4AI含义、与RSI关系、工作范式等，还分享了改进案例和未来方向。
Stripe 发布基准测试：AI 智能体可开发集成方案，但校验环节存在短板
Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。
李飞飞、Jim Fan和徐丹飞联合重磅论文：机器人灵巧手，可能走错了路
李飞飞等学者联合发表论文，分析当前触觉融合方案缺陷，提出 T - Rex 架构。它改变触觉输入方式，使用新编码方法和数据集，经三阶段训练，在 12 项任务评测中平均领先 30 个百分点，也指出了局限与未来方向。
让大模型学会「自己教自己」！京东&中科院信工所连发三篇论文定义Self-Taught RLVR
京东和中科院信工所开展Self - Taught RLVR系列研究，连发三篇论文。从RLSD、NPO、CoPD三个维度探索让大模型自我指导。如RLSD解决信息泄漏，NPO引入有效学习信号，CoPD整合多专家能力，各有创新与良好效果。
GLM-5登顶开源模型No.1！智力指数首破50大关，打平Opus 4.5
在Artificial Analysis评测中，GLM - 5成开源权重模型智力排名第一，是首个智力指数破50的开源模型，除代码能力外各方面表现出色。它集成DeepSeek稀疏注意力，参数规模大，擅长“搞钱”任务，幻觉率低且输出精简。
Agnes：不做通用型智能体丨对话全民AI应用平台Agnes AI
量子位智库对话Agnes AI创始人Bruce Yang，探讨多智能体在AI产品的应用。Agnes AI以Multi Agent架构为核心，上线四月日活破20万。其介绍了核心功能、单多智能体差异、评估维度等，还谈及目标人群、市场规模等内容。