「自我评估」共找到 1049 篇相关文章
DeepSeek V3到V3.2的进化之路，一文看全
知名AI研究者Sebastian Raschka发布深度博客，详细梳理DeepSeek V3到V3.2进化历程。DeepSeek V3.2性能对标GPT - 5和Gemini 3.0 Pro，且为开放权重模型，报告涵盖众多有趣领域和知识。
「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了
近年来，T2V模型进展显著，Sora2爆火引发对其是否为‘世界模型’的探讨。传统基准无法系统衡量模型对事件因果等的理解，中山大学等团队提出新评测框架VideoVerse，评测主流模型并发现开源与闭源模型差距及各模型缺陷。
AI已经开始自己设计算法，并且超越顶尖人类专家，人类还能做什么？
谷歌DeepMind团队与加州大学伯克利分校研究显示，AI能设计出超越人类专家的算法。如在多个领域案例中，AI设计的算法在成本、效率等方面表现出色。ADRS方法将系统研究核心环节自动化，人类研究员角色也将转变。
刚刚，Meta风雨飘摇中发了篇重量级论文，作者几乎全是华人
风雨飘摇的Meta发布重量级论文《Agent Learning via Early Experience》，提出「早期经验」新范式，让AI智能体「无师自通」，为突破强化学习瓶颈提供新思路。该范式结合两种策略，实验效果显著，还指出了局限与未来方向。
协同加速，多机器人协作不再「慢半拍」！软硬一体化框架ReCA破解具身智能落地效率瓶颈
佐治亚理工学院等团队推出集成加速框架 ReCA，针对多机协作具身系统，从算法、系统、硬件跨层协同优化，经评估，实现 5 - 10 倍速度提升且成功率升 4.3%，为具身智能落地奠基。
GPT正面对决Claude！OpenAI竟没全赢，AI安全「极限大测」真相曝光
OpenAI和Anthropic罕见合作，测试双方模型在幻觉等四大安全方面的表现。这场合作是AI安全的里程碑，百万用户每天的互动推动安全边界扩展。文中详细对比了GPT和Claude模型在各安全测试中的表现。
狂肝一周，测评十余款 PPT AI 生成产品的真实反馈
评估 Agent 产品能力复杂，以 PPT 生成为例，有 Agent 和模板化两种流派。作者选前者投票测评、后者全方位测试。给出方案，还推荐不同需求适用产品，附总榜单和细致体验描述。
一年成爆款，狂斩 49.1k Star、200 万下载：Cline 不是开源 Cursor，却更胜一筹？！
AI编程助手看似热门，实则多数亏本运营。Cline选择开源，允许用户自由组合LLM编程，个人免费，企业服务收费。它一年成明星产品，获49.1k Star、近200万下载，其创始人分享了产品理念、发展等多方面思考。
Claude与人类共著论文，苹果再遭打脸！实验黑幕曝光
苹果一篇质疑大模型推理能力的论文引发争议。Open Philanthropy研究人员联手Anthropic发表论文，揭露苹果论文三大缺陷，指出部分测试无解却让模型“背锅”，还给出正确评价大模型推理能力的方法。
Anthropic的多智能体，真的有必要吗？
作者曾质疑多智能体系统，看了Anthropic对「Claude Research」的说明后有了改观。介绍了多智能体系统定义、性能提升、代价，还阐述构建方法、评估方式，公开三个核心提示词及协作模式。