「可验证评分机制」共找到 1673 篇相关文章
2025.7.4上午 | 视觉智能驱动的多模态对齐与推理的近期系列工作分享 - 复旦博士生王思尹
本次分享由复旦博士生王思尹围绕‘视觉智能驱动的多模态对齐与推理’展开，介绍多模态大模型探索研究，涉及跨模态组合语义理解、视觉参与推理及基于视觉建模世界完成行动等内容。
OpenAI深夜开源HealthBench，60个国家合力开发5000段真实对话
今天凌晨1点30，OpenAI开源医疗大模型测试评估集HealthBench。其5000段核心测试对话由60个国家/地区的262名医生打造，采用多轮对话测试。测试显示大模型在医疗保健领域表现显著提升，还介绍了其构建及评估等情况。
中科院开源PPT Agent，一键自动生成PPT智能体
中科院软件所等联合开源PPT Agent，它能分析参考幻灯片，按人类流程分两阶段生成PPT，有自我修正功能，测试显示在多维度优于现有方法，极大节省用户时间精力。
用Codex做跨境电商：第九章
文章讲述用Codex做跨境电商时，五条工作流跑通后业务仍会遇问题，而业务系统能让前后任务相连。其是持续经营机制，通过五步让本周之事影响下周做法，还结合案例说明如何操作。
Anthropic发布Fable 5.1：科研、编程能力翻倍，成本最高降45%
当地时间9月1日，Anthropic推出Claude Fable 5.1和Claude Mythos 5.1。Fable 5.1科研、编程能力翻倍，成本最高降45%，还能解决实际问题，此次模型竞争转向多方面综合较量。
陶大程技术博客首发：从像素复刻到行动控制，具身世界模型的底层逻辑探索｜甲子光年
今年世界模型成AI热点，通用世界模型追求像素逼真，具身世界模型不同，其使命是支撑行动。文章拆解具身世界模型底层逻辑，分享开悟世界模型的技术设计与实践思考。
AI科研全周期拆解：从选题到宣发，哪里能放手，哪里得盯着
Awesome AI Auto-Research Team 综述梳理 AI 科研全周期能力与局限，按四阶段八环节拆解，介绍五种方法范式，指出各阶段应用情况、瓶颈及规律，强调人本治理的 AI 辅助科研才是可信路径。
把 RAG 做成主流的公司，现在开始“做空”RAG 了
Pinecone 曾将 RAG 定义成大语言模型 grounding 标准范式，如今却宣布 RAG 时代结束。它推出面向 Agent 的知识引擎 Nexus，提出“知识编译”概念，称能提高任务完成率、降低 token 开销，整个 AI 世界都在将“推理”往上游移动。
实验室造出人类精子：无精症男性或迎生育新解法
全球约2.5亿男性患不育症，其中10%-15%为无精症。美国Paterna公司宣布在实验室用精原干细胞培育出有初步受精能力的精子样细胞，形成早期胚胎，成果或助不育男性生育，不过研究尚处早期。
写了 17 年开源代码，我为什么认为 Coding Agents 堆功能是在瞎折腾？
libGDX 创始人、17 年开源老兵 Mario Zechner 吐槽 Claude Code、OpenCode 等工具功能堆叠，带来掌控感丧失等问题。他推出极简主义编程 agent pi，仅含四种工具，有最短系统提示词，扩展性强，能让开发者重拾掌控权。