「LLM评估」共找到 1596 篇相关文章
一篇大模型Agentic框架到应用最新综述
这是首篇系统拆解“大模型Agentic推理框架”的综述，不聊训练，只聚焦如何把LLM组织成会思考、协作、调工具的Agent，横跨科学发现、医疗、软件工程、社会经济模拟四大战场，给出统一语言、视角和评测。
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。
一句话生成无限逼真3D场景！匹兹堡大学新作直击VLM空间推理软肋丨CVPR'26
VLM在3D空间推理上表现不佳，且缺乏合适测试基准。匹兹堡大学团队提出InfiniBench框架，用LLM Agent迭代优化和聚类策略，可按需生成3D场景，还能精准定位大模型空间推理缺陷。
无需奖励函数！我们意外构建了自我进化的AI系统
牛津大学发现LLM可通过“部署 - 验证 - 再训练”循环自我进化，绕开人工奖励函数设计瓶颈。在三个经典规划领域实验效果惊人，还在理论上证明其与强化学习的数学等价关系，有优势也有隐患。
让 Claude/Codex/Cursor 少读文件、多懂代码：Serena 体验
Serena是“编码代理工具箱”，能让LLM像IDE一样理解和改代码，有符号级检索等亮点。适合大型代码库任务，10分钟可上手，有多种接入方式，还有提示词模板，能让AI操作更专业。
吴恩达最新发声：大模型通往AGI还得好几年，做好长期苦战准备
吴恩达发表关于LLM现状与未来的观点，指出其虽通用但不及人类，榨干公网数据后进步难，相比人类还很‘笨’。强调推动发展需大量人工决策和数据工程，要做好长期苦战准备。
开源播客生成MoonCast：让AI播客告别"机械味"，中英双语对话更自然！
MoonCast是革新性对话式语音合成模型，已开源。它借助LLM让剧本有干货与人味，采用全面规模化策略使音频合成更自然，性能在双语长对话播客上提升显著，接近真人播音效果。
谷歌AlphaEvolve太香了，陶哲轩甚至发了篇论文，启发数学新构造
著名数学家陶哲轩与 Google DeepMind 研究人员发表论文，展示谷歌 AlphaEvolve 作为工具可自主发现新数学构造，该系统结合 LLM 与进化计算，在多领域问题上表现出色，还能与其他 AI 工具结合。
视觉领域的GPT-3时刻！DeepMind首次证明Veo3模型实现对物理世界建模和推理
谷歌DeepMind研究团队论文显示，视频模型Veo 3学会‘无师自通’，能处理多种没学过的视觉任务。研究人员将其能力分四级，还做了定量评估。研究认为机器视觉或正处范式转变边缘。
仅保留35% Token，性能反超原模型！快手可灵等用视觉信息引导音频压缩，推理时间直降42%
Omni - LLM计算浪费严重，快手可灵等团队提出OmniSIFT框架。它利用音视频非对称依赖关系，通过时空联合剪枝压缩视频、视觉引导筛选音频Token，大幅减少Token数量，提升性能和推理效率。