「联合评估」共找到 1705 篇相关文章
AI自己造AI，概率60%，2028年底前！Anthropic联创坐不住了
Anthropic联合创始人Jack Clark读完数百份公开数据后判断，2028年底前AI自己造AI的概率达60%。他依据编程、科研复现等能力曲线，认为AI工程化生产组件基本齐全，不过AI研究的创意突破仍是关键。
多智能体在「燃烧」Token！Anthropic公开发现的一切
Anthropic发布多智能体研究系统构建解释，解决多智能体研究困惑。多智能体系统优势明显，在特定任务中表现出色，但token消耗大。其架构独特，还介绍了提示词工程、评估方法、面临的工程挑战等内容。
Auto Research时代，AI Scientist的第一场药企实习考验｜甲子光年
AI Scientist从大模型做题家进化为自动化科研助手，但从demo到应用面临买单难题。Phylo等团队构建BiomniBench评估框架，让AI做药企真实数据分析，结果显示AI表现超人类实习生，且有速度和成本优势，但也存在偏科问题。
机器人需要一个「思考系统」：τ0-VLA让具身智能迈向长程任务时代
2026 WAIC落幕，具身智能成焦点。当前VLA模型在长程任务中有局限，上海创智学院和智元机器人联合发布τ(0)-VLA，提出分层架构和新推理机制，用大量真机数据训练，在长程任务表现出色。
单张消费级显卡也能参与大模型训练！无问芯穹用「三个盒子」打通十万卡到一张卡AI效能跃升路径
2025年WAIC上，无问芯穹联合创始人夏立雪带来AI落地新解——三个盒子，即无穹AI云、无界智算平台、无垠终端智能，是面向未来的智能基础设施设计，能打通从十万卡到一张卡的AI效能跃升路径。
万字硬核解读SAM 3：不止分割一切，它开始理解世界了
Meta的SAM 3能理解语义，实现可提示概念分割。它支持开放词汇、全实例分割等，架构有创新，数据引擎高效。评估显示其性能优异，与MLLM结合成SAM 3 Agent后推理分割能力强，但在专业领域和复杂场景有局限。
众安信科参与打造宠物数字身份证 重磅亮相2025外滩大会 | 甲子光年
2025外滩大会上，众安保险与众安信科联合推出“NFT宠物数字身份证”外滩大会限定款，将RWA代币化技术与宠物健康管理结合。众安信科深度融合RWA与AI技术，打通宠物服务全链路，构建新生态。
从社区数据出发，再看大模型开源开发生态全景与趋势
蚂蚁开源先后在527蚂蚁技术日和外滩大会发布大模型开发生态开源项目全景图1.0和2.0版本。2.0版更新评估方法，呈现生态新变化，还分析技术趋势、开发者分布，提及项目进出情况及TensorFlow衰落等。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。