「评测标准」共找到 946 篇相关文章
GPT-5.2发布，真正的牛马打工人专属AI来了。
OpenAI十周年凌晨2点发布GPT - 5.2。它在部分跑分上提升不大，但在ARC - AGI - 2和GDPval评测集表现亮眼，上下文处理能力也大幅加强。将开放给会员使用，价格比5.1贵。
英伟达XR-AI Scientist亮相：丛乐、王梦迪团队把“AI科学家”送进实验室｜甲子光年
10月底英伟达上线NVIDIA XR - AI平台，丛乐、王梦迪团队联合英伟达等推进其在实验室科学融合应用，涉及LabOS和CRISPR - GPT两项技术突破，还推出LSV Benchmark标准及排行榜，有望改变XR现状。
无代码产品功能设计不要盲目追求AI自动化｜对话影刀AI Power
量子位智库对话影刀AI Power产品经理该汗，探讨AI自动化产品开发。影刀AI Power定位企业场景，具多功能，能提高业务效率。交流涉及场景适配、差异化路径、功能布局等问题，还分享付费转化等看法。
NeurIPS 2025 Spotlight | 让检索、推理真正「合体」的小而强模型，AceSearcher来了
近期，多所高校研究团队发布 AceSearcher 模型，它是让同一语言模型在推理时兼任双角色的合作式自博弈框架，以两阶段训练为骨架，将推理与检索结合，提升复杂检索任务效果，在多任务上表现出色。
百度0.9B参数模型登顶全球第一，聊聊PaddleOCR-VL背后的技术细节
百度PaddleOCR-VL模型仅0.9B参数，在OmniDocBench V1.5榜单获92.6分全球第一，在多能力维度达业界最佳，能处理109种语言。其采用两阶段架构，结合优质训练数据，实现高性能与低内存、快速度的平衡。
Code2Video：代码驱动、智能体协同、精准可控的教学视频生成
新加坡国立大学 ShowLab 团队提出 Code2Video，一种基于代码驱动的视频生成新范式。它以可执行代码为媒介，结合三智能体协同框架，解决了现有文生视频方法在教育场景的不足，在美学和教学效果指标上有明显提升。
OpenAI联手谷歌，开源 agents.md，正式统一Agent规则！
OpenAI和Google等大厂联手推出 `AGENTS.md` 标准，旨在用统一文档取代厂家特定配置文件，为AI Agent提供通用‘项目说明书’。它收录AI完成任务所需技术细节，支持嵌套，还倒逼开发者规范文档协作。
1句话高质量生成游戏3D动作，北大新方法刷新动画制作SOTA
北京大学提出ReMoMask：基于检索增强生成的Text - to - Motion框架，集成三项关键创新。在标准基准测试上，相比RAG - T2M，在HumanML3D和KIT - ML上FID分数分别提升3.88%和10.97%。
一步步实战 CopilotKit（AG-UI协议）：快速集成前端UI与后端Agent的神器【上】
文章介绍AG - UI协议及CopilotKit，前者为前端UI与后端Agent集成标准，后者是其参考实现。结合实例展示CopilotKit能力，包括前后端State共享、调用前端“工具”等，还给出构建演示Demo的详细步骤。
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。