「评测标准」共找到 946 篇相关文章
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
国产Deep Research杀出一匹「裸奔」黑马：免费开放，过程透明，网页报告一键即出
国产AI搜索秘塔AI搜索放大招，深度研究功能发布即免费公开，自带新玩法，思考过程透明。在评测集上表现优，可应对复杂问题，生成规范报告，还能转互动网页，严谨度与易用性兼备。
南大等8家单位，38页、400+参考文献，物理模拟器与世界模型驱动的机器人具身智能综述
当下，具身智能成研究热点。南大等8家单位学者撰写综述论文，指出物理模拟器与世界模型融合是实现具身智能的潜力路径。论文系统梳理两者协同推动机器人演进全貌，还提出分级标准等内容。
小红书开源大模型dots.llm1，初次出手，小有惊艳！国外网友们又炸了……
小红书hi lab团队公布首个开源大模型dots.llm1，这是142B参数的MoE模型，仅14B激活参数就能与Qwen2.5 - 72B打平。它开源力度大，训练效率高，数据处理精细，训练稳定，获国外网友高度关注。
论文秒变海报！开源框架PosterAgent一键生成顶会级学术Poster
本文介绍开源框架PosterAgent，它能一键将论文转为可编辑的学术海报。相比GPT - 4o，其生成指标优、token使用量少、成本低。研究团队构建评估标准Paper2Poster，实验显示PosterAgent在多方面表现出色。
颜水成领衔，给AI分段位！超100款多模态模型，无人达到L5
十所顶尖高校联合发布General - Level评估框架和General - Bench基准数据集，用五级分类制明确多模态通才模型能力标准。评估超100款模型，发现多数在L2 - L3，无L5模型，揭示当前模型不足。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展迅速，现有检测方法难满足需求。最新综述提出「事实保真度验证」目标，梳理出视觉与语言双视角的四层检测框架，还分析了检测方法演进、评测指标和数据集，为AI视频检测提供落地地图。
让大模型理解真实医疗视频，全球首个开源技术方案来了！
AI 进入医疗领域需谨慎，此前美国引入不成熟 AI 致手术失误频发。全球首个医疗视频理解大模型元智医疗视频理解大模型发布并开源，解决了医疗视频领域的任务优化、数据缺失和无法评测痛点。
“养虾”热潮下，专家帮你拆解Agent如何重写软件逻辑 | 奇点智能技术大会首日精彩回顾
2026 奇点智能技术大会聚焦 AI 发展新趋势，探讨 Agent 对软件与互联网产业的重构。会上发布白皮书、评测榜单，成立开发者社区，多位专家分享见解，涉及 AI 研发、模型协同、大模型演进及科学多模态模型等内容。
SVG性能比肩GPT/Claude，腾讯开源3B模型HiVG，让Token「懂几何」
腾讯混元团队开源仅3B参数的HiVG，它是面向SVG生成的层次化分词框架，减少63.8% token数量，多项指标超越GPT-5.2等闭源模型及8B级开源模型，还在人类评测中表现出色。