「评估标准」共找到 1005 篇相关文章
首个面向科学任务、真实交互、自动评估的多模态智能体评测环境，ScienceBoard来了
ScienceBoard是首个面向科学任务、真实交互、自动评估的多模态智能体评测环境。它集成多领域科研软件，构建科研任务集合，评估智能体在科学任务上的表现，发现现有模型在科研工作流中远未成熟。
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。
《TAML》好文推荐 | 来自中国科学院力学研究所张磊博士 评估大语言模型在计算流体力学领域的知识利用、学习与创造
研究聚焦评估推理型（DeepSeek R1和OpenAI o3 - mini - high）与非推理型（DeepSeek V3和ChatGPT 4o）大语言模型在计算流体力学领域知识利用、学习与创造能力。通过三类基准问题评估，结果有差异。
大语言模型逻辑评估
现有归因问答评估方法有‘归因短视’问题，研究团队提出 LOGICSCORE 框架，从三维度量化推理质量。在多数据集测试多款 LLM，发现专有、开源模型等存在不同逻辑问题，还分析典型逻辑错误。
OpenAI神秘项目曝光：cderGPT，用AI加速药物评估
OpenAI神秘项目cderGPT曝光，用于加速药物评估。FDA局长指出新药上市耗时长且未实现技术现代化，不过目前该项目细节未透露，有人支持用AI辅助审查，也有人担心其可靠性。
ChatGPT 评估员工绩效，评得是真能力吗？
绩效考核季，不少管理者用 ChatGPT 生成绩效评语，认为高效。但文章指出，把关键管理工作交 AI 是‘职业肌肉’萎缩，还给出管理场景下 AI 使用清单，网友也对 AI 辅助绩效评估展开热议。
Kotlin Multiplatform 评估：跨平台开发中的优势与权衡
文章评估了 Kotlin Multiplatform（KMP）在跨平台开发中的优劣势。KMP 可共享代码，编译成原生代码获出色性能，保留原生 UI 选项。虽生态小、有学习曲线等问题，但 Netflix 等大公司已用，未来潜力大。
Meta收购Manus最新进展：商务部介入，启动评估调查
2026年1月8日，中国商务部宣布会同相关部门对Meta收购Manus案开展评估调查，审查其与出口管制等法律法规的一致性。此次调查或使交易走向审查通过、需补办手续、认定违规三种情形。
数据「熵增」时代，AI 如何以标准重构治理秩序？
Agent热潮下数据分析与治理有短板，Gartner预测到2027年多数数据治理举措或失效。瓴羊Dataphin高级技术专家周鑫阐述以数据标准为核心的数据治理方法论及AI赋能自动化治理实践路径。
告别“一眼定生死”：Agent-as-a-Judge 开启 AI 评估的下半场
过去两年，LLM-as-a-Judge成评估界“黄金标准”，但面对复杂任务力不从心。论文《A Survey on Agent-as-a-Judge》指出，应从单一的大模型裁判进化为具备行动能力的智能体裁判，还阐述了其优势、发展阶段等。