「评估优化」共找到 1908 篇相关文章
Fable 5解禁即翻车！写一行代码就降智，开发者破防
消失19天的Fable 5解禁即翻车，因过度审查和双标机制，让开发者破防。但抛开护栏，它执行复杂任务能力强。A社同期发布的Sonnet 5也遭群嘲，此外，A社还提出评估框架并向政府让步。
3晚攻克世界数学难题，黑洞方程秒解！OpenAI：AI正让科学加速100年
2026年，AI成科学家新战友。数学家Ryu用ChatGPT三晚攻克优化难题；物理学者Lupsasca用GPT - 5 Pro 18分钟重现黑洞隐藏对称性；OpenAI为生物领域构建GPT - 4B Micro助力攻克难题。OpenAI称科学加速时代来临。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
腾讯的这款AI数据智能体工具Lumos，颠覆了传统的数据分析
文章聚焦腾讯AI数据智能体工具Lumos，它是Tomoro的数据智能体，采用多智能体架构解决复杂问题。文中介绍其技术思路、实践方案，如解决多智能体一致性、提升查询响应等，还提及后续优化方向。
中山大学&华为联合提出 Issue Resolution 数据集构建神器SWE-Factory：每条只要$0.024
中山大学和华为联合提出低成本开源方案 SWE-Factory，可自动收集代码打造高质量代码评估数据集。它能解决传统构建流程繁琐、依赖人工的问题，实现全流程自动化，还构建了 SweSetupBench 数据集，表现出色。
大模型终于能“听懂”云操作了？
本文介绍通过MCP Server和大模型结合实现云产品管理的自然语言操作。作者分享上手体验、探究原理、进行代码验证，解决使用问题，还提出后续优化方向和未来展望，如拆分MCP Server、建立云产品Agent等。
假如有一万张卡，RL训练该怎么扩大规模？十万张呢？
本文是腾讯混元团队针对大模型强化学习规模化训练的研究，聚焦万卡级算力下Batch Size优化问题，拆分样本效率与系统效率的影响，给出可落地的调优框架，实测可缩短29%训练时间。
鸿蒙元服务的“体验密码” | 从京东到深圳万象城，看技术底层如何让服务直达用户
AI时代，系统能感知用户场景与需求，主动推送服务。鸿蒙元服务解决用户体验痛点，其技术底座帮开发者“减负”。如京东复用代码，深圳万象城优化停车服务，还为中小商户提供零代码开发方案。
Claude Opus 4.6差评如潮！思考深度暴跌67%，AMD总监6852次日志打脸
Claude Opus 4.6遭差评，用户感其「变笨」，输出浅、易失败、违规提示增多。AMD总监用6852次日志证明其「思考深度」降67%，价格高却性能倒退。Anthropic虽称优化，但用户不满默认值被改。
英伟达的AI已经开始接管整个项目了？SATLUTION自主进化代码库登顶SAT竞赛
NVIDIA Research提出SATLUTION框架，将LLM代码进化能力扩展到完整代码库规模，能处理复杂项目。它协调LLM智能体对SAT求解器代码库迭代优化，在SAT竞赛中超越人类冠军，成本低且效率高。