「评测体系」共找到 1162 篇相关文章
游戏研发中的 AI 转型：网易多 Agent 系统与知识工程实践
本文整理自网易游戏高级技术经理林香鑫分享，介绍大模型在游戏研发落地实践。团队用代码知识谱图、多 agent RAG 召回等技术打造超级助手，在多业务场景落地，推动内部 AI 生成代码覆盖率提升。
HumanSense：探索多模态推理边界，打造「察言观色会共情」的全模态交互伙伴
蚂蚁集团与西安交通大学联合提出并开源 HumanSense，含评估基准与推理模型。通过细粒度评测、全模态消融等研究，提出优化策略，项目已在 GitHub 和 HuggingFace 开源，推动 AI 交互体验革新。
刚刚，OpenAI发长篇论文：大模型幻觉的原因找到了~
OpenAI发论文揭示语言模型出现幻觉的根本原因，即训练和评估过程奖励猜测而非承认不确定性。预训练阶段就埋下幻觉种子，后训练阶段‘考试机制’强化幻觉，还给出改评分规则的解法。
小米模型实现声音理解新SOTA！数据吞吐效率暴增20倍，推理速度快4倍 | 全量开源
小米全量开源MiDashengLM - 7B模型，它基于Xiaomi Dasheng和Qwen2.5 - Omni - 7B Thinker，实现声音理解新SOTA。性能领先，推理效率高，革新训练范式，全栈开源，将赋能多场景。
一篇自进化Agents技术最新综述：迈向人工超级智能
LLMs有局限性，研究者关注自进化Agents系统，其范式转变为人工超级智能铺路。文章回顾自进化智能体研究进展，围绕‘什么要进化’‘何时进化’‘如何进化’展开，提供理论和实践指导。
真实物理加持，人物动画再也不像塑料人！UIUC华人让角色活起来了 | ICCV'25
PhysRig是UIUC与Stability AI联合提出的面向角色动画的可微物理绑定框架。它用物理建模替代传统绑定权重设计，解决传统LBS无法克服的问题，显著提升角色动画真实感，还适用于动作迁移任务。
南大等8家单位，38页、400+参考文献，物理模拟器与世界模型驱动的机器人具身智能综述
当下，具身智能成研究热点。南大等8家单位学者撰写综述论文，指出物理模拟器与世界模型融合是实现具身智能的潜力路径。论文系统梳理两者协同推动机器人演进全貌，还提出分级标准等内容。
一文读懂 Deep Research：竞争核心、技术难题与演进方向
文章梳理了深度研究系统，包括其发展历程、现有系统差异、技术实现挑战、评估体系及推理架构演进方向。指出竞争焦点转向综合比拼，评估走向专业化，未来系统将在多方面突破。
北大腾讯突破奖励模型瓶颈！让AI理解人类偏好，泛化能力比肩GPT-4.1
北京大学知识计算实验室联合腾讯等机构提出RewardAnything，突破奖励模型瓶颈。它让奖励模型理解自然语言评判原则，降低成本，泛化能力比肩GPT - 4.1，还能用于定制AI行为模式。
一个数据集，一年产稿7876篇！AI强力加持，垃圾论文海量爆发
利用美国NHANES公共数据集，结合AI工具，研究者批量生产质量堪忧的论文。这不仅是技术滥用，更是科研评价体系扭曲的缩影。背后有论文工厂作祟，根源在于学术生态的扭曲。