「评测实践」共找到 1138 篇相关文章
直播预约 | 世界模型，点燃下一个AI爆点
2026开年，世界模型成科技圈热门议题，被视为通向AGI重要基建。4月15日19:00 - 21:00，机器之心联手黄大年茶思屋，邀5位专家从技术到产业解析世界模型前沿，双平台直播。
Claude Mythos其实没那么神？AI发现bug其实早已是寻常
VIDOC Security Lab博客指出Claude Mythos实力或被高估，用LLM发现漏洞早有先例，他们用多模型扫描开源项目也发现诸多漏洞。AI辅助漏洞发现成威胁，企业需用AI对抗AI积极防御。
Soul APP 开源首个 14B 实时数字人！0.87秒延迟+32fps，冲进 I2V 趋势榜 TOP5！
AI圈对数字人爱恨交加，因其存在太假、太慢、太僵硬等问题。Soul App旗下AI团队开源实时数字人生成模型SoulX - FlashTalk，参数量14B，有亚秒级延迟、高帧率等亮点，冲进HuggingFace I2V趋势榜TOP5。
Glyph：文本转图片解决长上下文困境，智谱把“DeepSeek-OCR”具像化了
传统 token 扩展方式遇算力成本天花板，DeepSeek 与智谱都想到让 AI“看”文字思路。智谱发布 Glyph 框架工程化实现此思路，将文本转图片处理，降低计算成本，有不错效果但也存在排版敏感等限制。
LeCun团队开源首个代码世界模型：能生成代码还能自测自修！传统编程模型一夜成古典
Meta FAIR推出全球首个代码世界模型CWM，它能生成代码、理解语义，还‘懂得’代码执行，能模拟运行过程。在多个代码与推理任务表现出色，开源代码、训练细节等，不过目前仅支持Python。
刘鹏飞组提出Agent领域的少即是多：智能不在于数据堆砌，78个样本训练出超强Agent，128倍效率提升
刘鹏飞组论文《LIMI: Less is More for Agency》提出颠覆性观点，认为Agent智能培育关键在数据质而非量。LIMI用78个样本在AgencyBench得分超基线模型，实现128倍数据效率提升，为Agent开发提供新路径。
首个基于 MCP 架构的低代码 RAG 框架
检索增强生成系统复杂度提升，科研人员面临高昂工程成本。清华大学等联合推出 UltraRAG 2.0，基于 MCP 架构，降低复杂 RAG 系统技术门槛与学习成本，支持低代码构建复杂系统。
我这半年看过最好的 Vibe Coding 技巧
OpenAI 创始成员 Andrej Karpathy 在 X 阐述 Vibe Coding 实践，提出建立三层结构让不同工具各司其职完成开发。介绍不同场景适用工具，还谈及‘后代码稀缺时代’焦虑，给开发者带来启发。
OpenAI和Anthropic罕见互评模型：Claude幻觉明显要低
OpenAI和Anthropic罕见合作，互相授予API权限评估模型安全与对齐情况并发布报告。双方派出多模型参与，从指令层次、越狱、幻觉、欺骗策略等方面评测，呈现各模型优缺点。
一场「狼人杀」，考倒了一堆大模型
南开大学等机构设计 InMind 评测框架，在 Avalon 游戏对 11 个前沿大模型测试。多数模型停留在表层模仿，仅少数推理增强模型有初步‘风格敏感性’，未来人机交互应关注‘像不像’。