「LLM评估」共找到 1596 篇相关文章
谢赛宁×李飞飞×LeCun首次联手！寒武纪-S「空间超感知」AI震撼登场
Yann LeCun、李飞飞和谢赛宁联手发布论文「Cambrian - S：迈向视频中的空间超感知」。他们认为LLM虽能力强，但无法像人类一样感知世界，为此构建Cambrian - S系列模型，开源相关数据和模型，还开发了新原型。
RL Infra 行业全景：环境和 RLaaS 如何加速 RL 的 GPT-3 时刻
文章指出RL Scaling正推动AI从“人类数据时代”迈向“Agent体验时代”，RL Infra可弥合模拟与现实差距。梳理了RL环境、RLaaS、数据/评估三大模块，分析代表公司案例，探讨RL未来趋势与投资策略。
Claude Code凭什么牛？大模型团队天天用自家产品，发现bug直接就改了
Claude Code虽有争议，但很成功，4个月用户达11.5万。Claude Code负责人透露构建细节，如产品理念、评估标准、反馈机制等，还阐述编程领域变化、模型与工具共同进化等内容。
谷歌Nature震撼发文，Gemini教练暴打专家！医学双料冠军，秒出睡眠报告
谷歌DeepMind把Gemini版大模型PH - LLM调教成「AI健康私教」，将可穿戴设备数据转化为睡眠健身建议，准确率超人类医生。它经两阶段训练，在多项测试中表现优异，或开启预防医学未来。
ICML 2025 | 大模型能在信息不完备的情况下问出正确的问题吗？
当前大语言模型推理研究多聚焦被动推理，主动推理研究少，制约其在现实场景应用。为此提出 AR - Bench 基准评估大模型主动推理能力，实验显示大模型主动推理能力严重不足，并指出后续拓展方向。
文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平
澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。
内存股集体大跌，原因竟是谷歌这篇一年前的论文
美国内存股集体暴跌，诱因是谷歌新博客介绍一年前公布的技术 TurboQuant。它是压缩算法，可大幅减少 LLM KV 缓存内存占用、提升速度且精度零损失，有望打乱市场对内存芯片增长预期。
突发！arXiv CS新规：未经同行评审，一律不收
arXiv CS板块新规，「综述/调研」和「立场」类论文须经同行评审才可收录。因LLM生成论文激增，此类无实质价值论文增多。但学界大佬对此不满，认为会误杀优质内容，拖慢成果发布。
NTU等联合提出A-MemGuard：为AI记忆上锁，投毒攻击成功率暴降95%
在AI智能体依赖记忆系统的当下，记忆投毒攻击兴起。A-MemGuard作为首个为LLM Agent记忆模块设计的防御框架，通过共识验证和双重记忆结构，解决防御难题，使投毒攻击成功率暴降超95%。
具身智能迎来ImageNet时刻：RoboChallenge开放首个大规模真机基准测试集
近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。