「LLM评估」共找到 1596 篇相关文章
必看！Sebastian Raschka新博客盘点了所有主要注意力机制
著名AI技术作家Sebastian Raschka发布博客《现代LLM中注意力变体的可视化指南》，回顾近年开发并用于开放权重架构的注意力变体，包括多头、分组查询、多头潜在等注意力机制，还分析各机制特点、应用场景及优劣势。
Karpathy最新手搓！复现GPT-2成本狂降600倍：仅需507元3小时训练「最好的AI学习项目」
Andrej Karpathy的个人项目nanochat更新，现训练GPT - 2级别的LLM成本低于100美元，在单个8XH100节点上仅3小时花约73美元，较7年前成本降600倍，还列出关键优化技术，设排行榜。
卡帕西：强化学习很糟糕，但其他所有方法都更糟
卡帕西在近两小时访谈中解答诸多问题。他认为AGI成熟约需十年，现有的LLM有认知缺陷，强化学习糟糕但其他方法更差，AGI将延续2%GDP增长趋势，还谈及自动驾驶、教育等方面看法。
专业医生远不如AI模型？OpenAI推出医疗开源测试基准HealthBench，o3表现最强
OpenAI推出医疗开源测试基准HealthBench，由262位多国医生合作打造，含5000段真实健康对话。评估显示o3综合表现最佳，顶尖AI处理任务能力超无辅助医生，HealthBench更真实专业有区分度，但也有局限。
工程知识引擎：Harness Engineering体系下的工程知识底座
现代软件开发中，AI编程智能体虽能写代码但难理解代码，缺乏工程约束与上下文支撑。为此构建工程知识引擎，整合多维数据源，有向量检索等六大能力，经评估可提升智能体效率与代码质量。
All in AI 两年，AI 代码采纳率突破 50%！安克创新龚银：AI 平台一旦过时，我们会毫不犹豫重构
安克创新2023年决定All in AI，探索适配内部运营与新的产品形态。这两年有项目放弃也有成果，如代码采纳率突破50%。其评估AI落地可行性关注业务、技术、团队成熟度，还采取差异化管理应对创新的ROI问题。
阿里重磅开源！Open Code Review：一周 5k star，为你的代码保驾护航
阿里开源 Open Code Review，它前身是内部 AI 代码评审助手，经大规模验证。该工具结合确定性工程与 Agent，解决通用 Agent 评审代码的问题，在准确率、效率等方面表现出色，还介绍了使用方法和评估方式。
一年磨一剑，今年最炸机器人Demo来了！1亿美元种子轮团队出手，单个模型解锁单手打蛋解魔方弹钢琴
Genesis AI发布机器人基础模型GENE - 26.5，让机器人可自主完成烹饪、实验室操作等复杂任务。该团队全栈自研，从硬件、数据、模型到训练评估都有独特方案，曾获1.05亿美元种子轮。
32B逆袭GPT-5.2：首个端到端GPU编程智能体框架StitchCUDA问世
现有LLM自动化CUDA方法难处理端到端GPU程序，StitchCUDA提出多智能体框架+基于Rubric Reward的Agentic RL方案，分解任务、优化训练，在实验中成功率和加速比远超其他方法，解决Reward Hacking问题。
清华孙茂松团队 × 深言科技：以解释作为训练信号，让 8B 模型在幻觉检测上反超闭源大模型
大语言模型幻觉问题待解，成本与算力需求攀升。清华孙茂松团队联合深言科技提出FaithLens模型，把幻觉检测提升为整体评估，以解释作为训练信号，8B模型在多任务上超闭源大模型。