搜索：评测标准 - AI Reading Hub

「评测标准」共找到 946 篇相关文章

ICLR 2026 | LongHorizonUI：让 GUI 智能体不再"半途而废"——面向长链路任务的统一鲁棒自动化框架

近年来，基于多模态大语言模型的GUI智能体在自动化操作上虽有进展，但任务步数超10 - 15步时成功率断崖下跌。研究人员提出LongHorizonUI框架，构建LongGUIBench评测基准，推动GUI自动化在复杂场景落地。

社区消息显示DeepSeek正测试新模型DeepSeek - V4 - Lite - 285B，用OpenAI MRCR 8 - pin标准考察超长上下文信息检索能力。测试结果优异，但‘大海捞针’法或被DSA作弊，实际效果存疑，社区高度关注其进展。

2025年，Agent应用发展使LLM‘静态’局限成AI瓶颈，业界重视自进化能力，聚焦‘持续适应系统’。但该领域缺统一标准，有思潮认为统一标准、集体探索将带来机遇。还介绍了研究进展、重点演变等。

上海AI Lab联合多家机构开源Yume1.5，针对视频生成构建可交互“世界模型”的核心难题，提出时空信道联合建模（TSCM），实现近似恒定计算成本的全局记忆访问，展示了世界模型工程化落地的可行路径。

本文解读 MMC 报告，揭示 AI Agent 落地面临核心挑战、衡量标准、付费模式及落地策略。指出最大障碍是‘人’与‘流程’问题，如工作流集成、员工抵触、数据隐私等，还提及企业付费情况和成功落地秘籍。

短短一年，LMArena开源模型榜单前五全被中国大模型占领，智谱Z.ai登顶，阿里、DeepSeek等紧随其后。LMArena是权威评测平台，盲测机制保证排名真实。中国模型性价比高，正用开源和低价占领市场。

文章整理了AI优质信息源，介绍Twitter在AI浪潮中的重要性及筛选优质信息流方法，还列举知乎、B站等平台，以及资讯平台、网站、播客、博客等资源，给出挑选标准和了解领域的技巧。

阿里云智能集团 CIO 蒋林泉分享大模型落地实践，介绍了阿里云在翻译、智能外呼等场景的应用案例，提出 RIDE 方法论，包括重组组织、识别机会、定义指标和推进执行，还分析了翻译和 Agent 模式的要点。

8月22 - 23日，2025 AICon深圳站圆满落幕，超800位从业者参与。大会汇聚多企业专家，围绕多热点探讨。极客邦霍太稳指出AI从模型比拼到落地实践。多位嘉宾分享经验，如阿里云蒋林泉、快手周国睿等。还有多场硬核分享及开发者展区。

淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。