「测试时微调」共找到 2499 篇相关文章
刚刚，LMArena最新模型榜单出炉！DeepSeek-R1网页编程能力赶超了Claude Opus 4
LMArena最新模型榜单出炉，DeepSeek - R1（0528）表现亮眼。在文本基准测试中整体排第6、开放模型中排第一，细分领域也成绩优异，在WebDev Arena平台与闭源大模型并列第一，超Claude Opus 4。
GitHub Copilot新代理把「自家人」逼疯了！
GitHub Copilot新智能体Coding Agent公测，官方想让它成协作开发搭子。但在微软仓库使用时问题多，多次提交失败、逻辑不通，未解决关键问题，虽能自动完成繁琐任务，但距‘靠谱搭子’还远。
Qwen3.8-Max 正式版终于发布了，能不能打过 GPT 看这里
Qwen 3.8 Max 正式发布，沿用 Qwen 3.5 架构，参数量扩展，重点提升 Coding、Work 和 Agent 能力。它将开放权重，价格有优势。在多项测试中表现出色，还新增多模态能力，已可使用并有优惠。
一个问题几百美元，DeepMind智能体一次搞定了9个Erdős问题
DeepMind团队的大模型在一次‘测试’中解决9个开放的Erdős问题，还自动验证，解法通过人工审查。其框架AlphaProof Nexus结合大模型与Lean编译器，研究展示了AI辅助正式证明搜索技术潜力。
机器人终于「懂」家务了！伯克利MomaGraph让机器人像人一样做家务
过去家用机器人做家务存在诸多难题，最近加州伯克利和马里兰大学联手推出 MomaGraph 技术。该技术采用「Graph - then - Plan」思路，团队搭建了完整体系，在星动 Q5 上测试效果好，让家用服务机器人迈向实用。
深度拆解：如何在 LangChain DeepAgents 中复现 Claude 的 Skills 机制 ？
本文探讨在LangChain的DeepAgents框架复现Claude的Skills机制。先回顾Skills，它是Anthropic提出的Agent能力注入方式，有渐进式加载特点。接着介绍让通用框架支持Skills的环节，最后测试验证其效果和收益。
华人主导谷歌SLED，论文登顶会！一键让模型学会自救
大模型常「瞎编」，传统修复代价高。谷歌在NeurIPS 2024提出SLED方法，不依赖外部知识和额外微调，将各层预测纳入考量，减少模型幻觉。实验显示，SLED能显著提升模型准确率。
Claude官方即将推出Chrome浏览器插件，可能....其它所有的AI浏览器插件都会死。
Claude官方即将推出Chrome浏览器插件，现正进行小范围测试。它功能强大，能在侧边栏操作页面，还能处理日程、邮件等工作。相比多数插件，它安全性高，或让仅能总结摘要的插件被淘汰。
GPT-5：没有AGI，失望和天花板，最具竞争力的可能是定价
刚看完GPT - 5发布会，整体令人失望。发布会现错误图片，市场反馈不佳，专家认为开发仓促。它有三个型号，基础性能表现不一，在部分测试中不如竞品，亮点是价格有竞争力，代码能力受开发者好评。
不靠海量数据，如何精准喂养大模型？上交Data Whisperer：免训练数据选择法，10%数据逼近全量效果
上海交通大学等团队提出 Data Whisperer，首个免训练的注意力驱动数据选择框架。它利用模型自身能力打分挑数据，无需训练与人工标注，用 10% 数据让微调效果逼近全量数据，在多方面领先传统方法。