「系统评估」共找到 2286 篇相关文章
利用大模型检测钓鱼邮件:方法，效果及数据集
随着企业安全防范增强，钓鱼邮件成重要攻击手段，大模型检测方法盛行。日本论文详细披露检测方法和实验数据，含解析解码、简化邮件、生成prompt、调用LLM四步，还介绍数据集及评估了四个模型效果。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
一站式 AI 短剧创作神器
Toonflow 是 HBAI-Ltd 开发并开源的一站式 AI 短剧创作工具，可将小说或剧本快速转化为动画短剧，集成多种功能，0 门槛全流程 AI 化，提升创作效率 10 倍+，支持多系统，兼顾易用性、扩展性和本地化部署需求。
3个工程师、0融资、不开会，估值3.5亿美元的Obsidian才是真正的「小而美」
Obsidian 作为全球最具影响力的本地化 Markdown 笔记应用之一，估值 3.5 亿美元，但仅 7 人全职团队。它拒绝资本，靠用户付费运营，有「无会议文化」，底层插件系统强大，和 Notion 信息管理哲学不同。
ICLR 2026 | 从「聚合」到「引导」：FedDRM开启客户端智能路由新范式
传统联邦学习中，统计异质性是障碍，本文提出 FedDRM，将联邦学习从「聚合范式」拓展到「路由范式」，让服务器能把问题交给最合适的客户端处理，在多数据集上提升系统准确率，为多场景提供新可能。
你的电子老婆开源了！登顶GitHub热榜
GitHub热榜项目AIRI是超火虚拟主播Neuro - sama的开源版，可自托管，7×24小时在线。它能实时语音、陪玩游戏等，支持多种大模型API，还介绍了不同系统搭建该项目的方法。
Self-Evolving 会是 2026 关键词吗？
2025年，Agent应用发展使LLM‘静态’局限成AI瓶颈，业界重视自进化能力，聚焦‘持续适应系统’。但该领域缺统一标准，有思潮认为统一标准、集体探索将带来机遇。还介绍了研究进展、重点演变等。
美团LongCat扎扎实实做了件难事：LLM数学新天花板AMO-Bench
美团LongCat团队联合高校推出AMO - Bench，用50道原创奥赛级难题评估LLM数学能力。它解决现有基准测试痛点，经四重把关构建，测试显示顶级模型表现不佳，也揭示模型提升空间大。
智驾新玩家首秀，“含模量”将成为新标准｜甲子光年
9月28日千里科技召开首次品牌发布会，董事长印奇展示智能辅助驾驶系统能力。其角色从定点车企服务商变为全车企伙伴，首创‘含模量’概念，还公布‘千里计划’，欲构建跨场景智能服务体系。
AI修Bug新SOTA：SWE-Bench Lite60.33%修复率，像人一样能积累经验，中科院软件所出品
ExpeRepair是中科院软件所团队推出的仓库级缺陷修复系统，模拟人类认知的情景和语义两种记忆模式，能积累经验。在SWE - Bench Lite评测中，其Claude - 4+o4 - mini组合修复率达60.3%居首。