「元评估」共找到 1368 篇相关文章
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
今天起，GPT Image 2要把全体设计师送走了
GPT Image 2横空出世，暴打Nano Banana 2，其超强文字渲染和设计能力颠覆众多行业。它生成的图片真假难辨，解决文字渲染难题，降低数字内容生成成本，让设计师面临失业危机，也使互联网信任体系洗牌。
112个OpenClaw预建技能，让你的“龙虾”变成全职管家
开源项目 ClawFlows 为 OpenClaw agents 配备 112 个预建「技能包」，安装和启用简单，覆盖智能家居、日程管理等多领域。工作流以 markdown 文件呈现，支持多种语法，可修改分享，但有使用限制和质量差异。
ICLR 2026 Oral｜多模态知识图谱对齐难：破解噪声关联至为关键
在数据多元化时代，多模态知识图谱能为下游应用提供数据支撑，实体对齐是构建知识图谱的核心技术。但大规模知识图谱关联与融合面临噪声和潜隐关联挑战。四川大学团队提出 RULE 方法，缓解了这些影响，论文被 ICLR 2026 接收为 Oral。
学术海报不用愁，一句话精准自动编辑，华东师大开源APEX
华东师范大学Planing Lab提出APEX框架，能通过自然语言指令实现学术海报局部可控编辑，引入「审查—调整」机制提升可靠性。还构建APEX - Bench评估，实验显示APEX优于其他方法。
AI鉴别攻略全废！别数破折号了，97%的人根本分不清
当AI学会故意写错别字、流露人味，以往靠破折号、排比句等的鉴AI攻略失效。人类直觉也不可靠，文章建议从上下文、风格连贯性鉴别，还指出AI话术平庸反映人类表达荒芜。
清华挖出「幻觉」的罪魁祸首：预训练产生的0.1%神经元
清华大学孙茂松团队从神经元角度研究LLM幻觉微观机制，发现不到0.1%的H - 神经元可预测幻觉，与过度顺从行为相关，根源在预训练阶段，为解决幻觉问题、开发可靠大模型提供新思路。
上交博士最新思考：仅用两个问题讲清强化学习
上交博士 Kun Lei 博客提出用两个问题理解强化学习：数据从哪来、策略更新多频繁。借此梳理算法逻辑，还延伸到机器人基础模型，指出训练节奏与其实践契合。
NeurIPS 2025 Spotlight | 选择性知识蒸馏精准过滤：推测解码加速器AdaSPEC来了
大型语言模型推理延迟高、开销大，推测解码可加速但依赖草稿与主模型一致性。佐治亚理工等团队提出 AdaSPEC 蒸馏法，过滤难学 token，提升草稿模型与目标模型对齐度，实验显示能提升接受率和推理速度。
MIT成果登Nature正刊：90天，「AI科学家」完成3500次电化学测试
美国麻省理工学院李巨团队在Nature发表论文，展示多模态机器人平台CRESt。它结合多模态模型驱动的材料设计与高通量自动化实验，大幅提升催化剂研发速度和质量，还解决了实验结果可重复性不足问题。