「评测报告」共找到 1014 篇相关文章
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
企业级Agent落地有了样板间！百融硅基员工批量上岗，“按结果”领工资
百融智能中报显示，受外部因素影响公司总收入波动，但AICC业务同比增长52%。其已在金融场景打磨能力并向多行业复制，采用RaaS按结果收费模式，还提出“技术重构型AI Roll - up”概念。
扒开源码：那个宣称“每半小时疯抢1万个注册码”的AI项目，到底在割谁？
近期技术群流传 UUMit 平台链接，宣称是“能让 AI 智能体自己接单打工赚钱的 A2A 平台”，极为火爆。但作者查看源码发现，该平台是前端单机戏法、点击劫持的广告套利站。文中还介绍了 AI 概念下五种套利黑产及识别方法。
能让DeepSeek自进化的Harness！LlamaFactory作者开源新工具：0.2元自动造Agent
LlamaFactory作者郑耀威团队开源的PenguinHarness，是全球首个支持多Agent自进化的Harness，能自动构建、评测和改进Agent。它成本低、速度快，适配众多模型，还有严格契约保障安全。已在生产场景应用，效果显著。
市值超150亿元！深圳冲出一个芯片IPO
2026年5月27日，深圳云英谷科技在港交所主板挂牌上市，发行价每股20.81港元，开盘报25.48港元，截至发稿涨幅扩至75.59%，市值156.31亿港元。其虽为行业龙头，但有持续亏损、毛利率低等问题。
Qwen3-VL-Seg 深度解读：当多模态大模型学会"像素级精准手术"，仅用0.4%参数碾压8B模型
文章深度解读阿里通义实验室发布的Qwen3-VL-Seg，它解决开放世界指代分割问题，用仅17M参数（占基础模型0.4%）在4B规模超越8B模型。介绍其原理、架构、数据、实验结果，还给出实战代码。
杀疯了！单卡4090跑通全量微调，面壁1B级多模态性能怪兽硬刚大厂
面壁智能推出MiniCPM-V 4.6，参数约1B，性能和推理效率出色。它在多模态任务综合能力、推理速度上领先竞品，靠ViT架构改造和4倍/16倍混合视觉Token压缩实现创新，有工业验证，对开发者和普通用户意义大。
别只用AI写脚本了，现在AI打广告可真是城会玩了！
如今广告玩法新颖，AI能识别短剧画面插入广告，还能生成贴合IP的番外短片。巨量引擎升级的品星云AI营销，打通“洞察 - 创作 - 投放 - 复盘”全流程，重构AI营销玩法，让决策回归简单。
ICLR 2026 | LongHorizonUI：让 GUI 智能体不再"半途而废"——面向长链路任务的统一鲁棒自动化框架
近年来，基于多模态大语言模型的GUI智能体在自动化操作上虽有进展，但任务步数超10 - 15步时成功率断崖下跌。研究人员提出LongHorizonUI框架，构建LongGUIBench评测基准，推动GUI自动化在复杂场景落地。
让世界模型推理效率提升70倍：上海AI Lab用“恒算力”破解长时记忆与交互瓶颈
上海AI Lab联合多家机构开源Yume1.5，针对视频生成构建可交互“世界模型”的核心难题，提出时空信道联合建模（TSCM），实现近似恒定计算成本的全局记忆访问，展示了世界模型工程化落地的可行路径。