「评测指标」共找到 875 篇相关文章
Clawdbot 之后，我们离能规模化落地的 Agent 还差什么？
OpenClaw爆火，但在企业和商业环境中存在昂贵、不可控等问题。Monolith砺思资本技术沙龙探讨Agent规模化落地难题，指出需关注稳定性等指标，还分析了数据成本、训练速度、基础设施、状态管理等方面的困境与解决思路。
账上仍有30亿元现金，王小川不下牌桌｜甲子光年
1月13日百川智能开源新一代医疗大模型Baichuan - M3，在医疗AI评测中夺冠，超越GPT - 5.2。王小川带领百川转型AI医疗，虽面临挑战但账上有30亿现金，选择院外商业化，预计2027年考虑上市。
今年TRAE写的代码：100000000000行！超50%程序员每天在按Tab键
2025年末TRAE发布年度产品成绩单，一年写1000亿行代码、超50%用户高频用Tab键。其Cue功能助行业进入人机共生，SOLO模式让开发者成指挥者。它历经三阶段，指标优、构建生态，是中国AI IDE领域领先者。
GPT-5败下阵，这款中国AI拿下全球第一，众多医生已在用它做诊断
国家卫健委推进“人工智能+基层应用”，基层医生需实用AI助手。未来医生AI工作室的MedGPT在临床“安全”与“有效性”评测击败国际知名大模型夺冠，其两款助手获医生认可，被视为AI赋能基层医疗最佳实践。
传统训练效率很低？我们靠 “给模型降噪” 重新审视长上下文建模难题
文章指出长上下文模型处理长文本时易受噪声干扰，提出新评估指标IG分数和“上下文去噪训练（CDT）”方法。实验表明CDT优于现有策略，经其训练的开源模型在长上下文任务中性能媲美GPT - 4o。
相机参数秒变图片！新模型打通理解生成壁垒，支持任意视角图像创作
S-Lab等机构研究员提出Puffin统一多模态模型，它能整合理解相机参数与按参数生成对应视角图片的能力。通过“用相机思考”和400万组数据训练，解决此前模型问题，还构建相关数据集和评测基准，性能出色。
4000万样本炼出AI读心术，刷新七榜SOTA，最强「人类偏好感应器」开源
Skywork-Reward-V2全新发布，构建超高质量千万级人类偏好样本，刷新七大评测基准SOTA。8款模型覆盖6亿至80亿参数，小体积也能媲美大模型性能。团队引入多样大规模真实人类偏好数据，提升数据规模与质量。
25位IT大佬亲述：AI「吃掉」程序员！码农黄金时代终结
AI Impact Lab创始人探讨AI对技术岗位影响，提到AI公司熟悉技术岗、指标清晰等原因或致其先受冲击，调研显示AI未改变多数岗位但影响初级岗位招聘、模糊岗位边界，还对未来技术就业市场做了预测。
用 Astra+Codex 干掉 CUDA！奥特曼9个月AI造芯反杀英伟达 GB300
北京时间昨日凌晨，OpenAI 公布自研推理芯片 Jalapeño 实测结果，其在多指标挑落英伟达 GB300。OpenAI 用 GPT - 6 和加强版 Codex 造芯，9 个月完成硬件设计优化，3 个月搞定软件栈，威胁英伟达 CUDA 根基。
一个Skill让DeepSeek V4 Pro超越Fable 5？热门插件被锤了
前两天J-Space凭夸张测试结果刷屏，宣称一份Skill接入Agent环境，能让V4 Pro在多基准大幅提升，部分成绩超Fable 5。但社区复测结果相反，作者未公开完整评测记录，还删质疑帖，引发公开打假。