「元评估」共找到 1370 篇相关文章
无需 OCR 就能从各类文档中提取结构化信息的本地化开源工具docext
docext是无需OCR的本地化开源工具，能从发票、护照等文档图像提取结构化信息。智能文档处理排行榜评估VLMs在多任务表现，docext有灵活提取、表格提取等功能。
北大DeepSeek论文或预定ACL Best Paper！梁文锋署名
北大DeepSeek联合发布的NSA论文已被ACL 2025录用且评分高，有望冲击最佳论文。该技术革新传统注意力机制，提升算力效率，是长文本处理的突破。此外，张铭教授团队还有多篇论文上榜。
Llama 4万亿巨兽延期，80%核心元老集体辞职？
Meta旗舰AI模型「Behemoth」发布一再推迟，内部对公司AI战略质疑达顶峰，还传出约80%团队辞职消息，虽已辟谣但仍引发担忧。Meta AI发展遇困境，对手却在快速迭代。
OpenAI很看好！首个SWE-1模型发布，软件开发或将提速99%
Windsurf发布首个前沿模型SWE-1，目标将软件开发提速99%。它不只能写代码，还能协助软件工程流程。有三个系列模型，SWE-1运行成本低，SWE-1-lite对所有用户开放，SWE-1-mini适用于低延迟场景。
一篇论文改写AI科研评价规则！中国公司拿出实践数据，双榜第一、成本更低
今年科技巨头入局AI4S，想打造“AI科学家”。8月19日《Measuring AI Scientists: From Exams to Discovery》论文提出评价范式。深度原理MIRA平台是现实样本，在评测中表现优异，沉淀闭环数据。
DeepSeek V4「满血版」曝光了！最快明天发布
全网等近三个月，DeepSeek V4正式版或最早明日发布。有Flash和Pro两版本，开发者评价其性能接近Opus 4.8，Agent能力增强。首轮测试外流，评价不一。还将引入「峰谷计费」，性价比仍高。
更可靠的主播助理：淘宝主播Agent的Harness工程实战
文章聚焦淘宝主播Agent的Harness工程实战。介绍了Harness基础定义与分层结构，阐述上下文工程、工具调用等八项实战内容，还提及记忆体系特色，强调Harness工程是让主播Agent可用、可控、可演化的关键。
GPT-5.6泄露了！
GPT-5.6泄露，150万Token+神级极简UI下月上线。它在前端有质变，能生成高质量UI，上下文窗口达1.5M tokens。OpenAI采取双版本策略，6月还将迎来Anthropic、Google等模型混战，模型迭代周期也在缩短。
我手机里装了20个AI，最后发现只需要一个
AI工具爆炸，人们成了「AI项目经理」。百度DuMate在开发者大会展示强大能力，一句话可让三件不同工作并行执行，有技术架构支撑，已获认证且成本下降，入口之争本质是生态之争。
ICML 2026 | 大模型内部也会长出「情绪树」，规模越大越懂人心
ICML2026 论文指出，大语言模型内部会自然形成类似人类心理学模型的「情绪树」，模型越大，情绪树越复杂，且在销售等任务上表现更好。同时，模型的情绪结构受身份设定影响，存在与人类相似的情绪识别偏见。