「评测框架」共找到 2156 篇相关文章
VQA高分是在看图，还是在记答案？ReKey只更新决定答案的那一小块
视觉问答模型准确率提升，但高分可能源于记忆。浙江大学等团队提出 ReKey，保留真实场景，只更新决定答案的视觉线索，使评测面向未见过内容，且多数环节可自动完成。
ICLR 2026 | 别再让大模型“想太多”了！最新研究揭示 LLM 推理效率的关键瓶颈
大语言模型推理计算成本失控，存在过度与思考不足问题。研究揭示推理失衡是根源，提出BAM模型及Plan - and - Budget框架，实验显示其能提升准确率与效率，转向‘推理价值’范式。
别再让语音机器人“答非所问”：AI Force任务型语音对话技术总结
本文围绕企业级任务型语音Agent核心挑战，提出解决“拟人化”与“专业化”问题。介绍三段式语音对话解法、架构演进，还提及‘衍算’推理框架等技术及未来方向，团队来自蚂蚁集团AI force。
推出 AnyLanguageModel：在 Apple 平台统一本地与远程大语言模型的 API
大语言模型是构建现代软件的重要工具，但 Apple 平台开发者集成模型困难。Hugging Face 发布 AnyLanguageModel，是 Swift 包，可替代 Apple Foundation Models 框架，支持多模型服务商，降低使用 LLM 难度。
AI 的本质不是算力，而是「上下文革命」
上交大刘鹏飞团队提出人工智能本质是“上下文革命”，在论文中把“上下文”提升为智能系统核心结构，提出“上下文工程”学科框架，通过实验揭示智能发展规律，为AI发展指明新方向。
字节Lynx：从单张图像生成高保真个性化视频
字节推出高保真个性化视频生成框架Lynx，基于开源的Diffusion Transformer，引入ID - adapter和Ref - adapter，在基准数据集表现优异，能平衡身份保真度等，还可拓展至多模态和多主体。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
只用图像也能思考，强化学习造就推理模型新范式！复杂场景规划能力Max
现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。
桌面 Agent 的下一步：不是会操作，而是会调度工具
复旦大学和通义实验室提出 ToolCUA，让模型在 GUI 与工具调用间编排路径。它从已有 GUI 轨迹合成训练数据，设计奖励机制，在 OSWorld - MCP 评测中效率与准确率大幅提升，为 CUA 发展提供方向。
“这个怎么组装？”一句无害的问题，如何让AI产生危险输出
Amazon团队发现全新威胁模型“视觉排他性”，提出MM - Plan框架，通过强化学习训练智能体自动发现攻击策略。实验显示其对Claude 4.5 Sonnet和GPT - 5攻击成功率可观，代码和数据集已开源。