「评估策略」共找到 1560 篇相关文章
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
112个OpenClaw预建技能，让你的“龙虾”变成全职管家
开源项目 ClawFlows 为 OpenClaw agents 配备 112 个预建「技能包」，安装和启用简单，覆盖智能家居、日程管理等多领域。工作流以 markdown 文件呈现，支持多种语法，可修改分享，但有使用限制和质量差异。
ICLR 2026 Oral｜多模态知识图谱对齐难：破解噪声关联至为关键
在数据多元化时代，多模态知识图谱能为下游应用提供数据支撑，实体对齐是构建知识图谱的核心技术。但大规模知识图谱关联与融合面临噪声和潜隐关联挑战。四川大学团队提出 RULE 方法，缓解了这些影响，论文被 ICLR 2026 接收为 Oral。
阿里正式批准林俊旸辞职！CEO亲自挂帅新基模小组
昨日深夜林俊旸官宣告别Qwen，国内媒体确认其离职属实，阿里CEO吴泳铭批准。此外，周靖人继续领导通义实验室，吴泳铭等领导新小组，阿里坚持开源模型策略。
学术海报不用愁，一句话精准自动编辑，华东师大开源APEX
华东师范大学Planing Lab提出APEX框架，能通过自然语言指令实现学术海报局部可控编辑，引入「审查—调整」机制提升可靠性。还构建APEX - Bench评估，实验显示APEX优于其他方法。
NeurIPS 2025 Spotlight | 选择性知识蒸馏精准过滤：推测解码加速器AdaSPEC来了
大型语言模型推理延迟高、开销大，推测解码可加速但依赖草稿与主模型一致性。佐治亚理工等团队提出 AdaSPEC 蒸馏法，过滤难学 token，提升草稿模型与目标模型对齐度，实验显示能提升接受率和推理速度。
The Batch: 871 | Mistral测量了大语言模型的能耗、水耗与物料消耗
法国AI公司Mistral发布对Mistral Large 2的环境分析报告，涵盖全生命周期影响。研究表明单次使用影响小，但累计负担大。虽研究有不足，但其方法或推动环保型AI发展。
ACL 2025｜自我怀疑还是自我纠正？清华团队揭示LLMs反思技术的暗面
本文指出反思技术虽简单有效，但在多种LLMs和任务中会失败。清华团队剖析其在开源和闭源LLMs、四种任务上失败原因，提出轻量级缓解方案，为反思技术可解释性研究奠基。
AI编程「反直觉」调研引300万围观！开发者坚信提速20%，实测反慢19%
非营利性 AI 调研机构「METR」对 AI 编程工具影响开发者效率进行随机对照实验，结果意外：开发者本坚信提速 20%，实测却慢 19%。还分析了原因，指出调研局限与未来展望。
AI海啸来袭：不只白领，连水电工的饭碗也即将被冲走
作者 Andrew Wilkinson 指出人工智能海啸将冲击各行业，众多工作面临颠覆，给出未来发展时间表。还提醒企业和投资者重视风险，给出对冲策略，也提及 AI 发展可能遇阻碍。