「自演进评测」共找到 1875 篇相关文章
Scaling 时代落幕：Ilya 眼中下一代 AI 的关键，不在模型，在人类
深度学习亲历者 Ilya Sutskever 认为单靠扩大模型规模推进 AI 的时代已结束，未来关键在于解决 AI 泛化难题。他指出当前模型评测与现实能力脱节，人类泛化能力强或源于进化，还探讨了价值函数等内容。
抢先体验GenFlow2.0：未来多Agent协作的理想形态
作者在百度邀测会抢先体验Genflow 2.0，用其解决小学教改信息查询问题，还让它生成创意图片。它得益于“沧舟OS”，有流畅、并发且跨模态能力，架构全自研，测试版亮点多，值得期待8月正式上线。
时隔一年，再次使用7个国产AI大模型写高考作文，国产模型的进步也太大了！有彩蛋。
去年评测国产模型写高考作文能力时，各模型问题不少，如用词重复、字数不足。今年再次测试7个国产模型，能力有指数级提升，文采惊人，扣题方面通义千问和文心一言表现出色。文末还有海外模型“翻车”彩蛋。
马斯克麾下最惨打工人：手滑删掉xAI三周训练数据
xAI一名员工在数据迁移时误删了2到3周的核心训练数据，这或为Grok重组震荡后遗症。xAI为追Claude等，采取喂Cursor数据、自研V9等策略，还曾借道访问竞品模型。如今xAI把算力租给对手变现。
1万亿参数Ling-1T开源，国产LLM牛了~
Ling-1T是Ling 2.0系列首款旗舰“非思维”模型，总参数量达1万亿。预训练数据超20万亿token，支持128K上下文长度。在多项任务中表现出色，是目前已知最大的FP8训练基座模型，已完成全面评测。
字节最强多模态模型登陆火山引擎！Seed1.5-VL靠20B激活参数狂揽38项SOTA
5月13日，火山引擎在上海发布5款模型和产品，其中豆包1.5・视觉深度思考模型（Seed1.5-VL）最吸睛。它激活参数20B，性能与Gemini2.5 Pro相当，38个评测基准达SOTA，推理成本低，已开放API。
MiniMax M2.7国服第一！龙虾自我进化，海外开发者疯狂刷屏
MiniMax M2.7发布后在全球开发者社区引发巨大反响，在PinchBench榜单上拿下全球第四、国产第一。它具备多智能体协作、自进化等能力，在代码、办公、科研等场景表现出色，还推出开源项目OpenRoom。
开源“裸考”真实世界，国产具身智能基座模型拿下全球第二！
国产具身智能基座模型WALL - OSS在RoboChallenge真机评测榜单获全球第二，多个单任务排第一。它是开源模型，开源程度彻底。还介绍其技术突破及团队情况，强调开源对具身智能发展意义重大。
从组件到系统，Agent 的 Evaluation 怎么做？
Agentic AI 兴起使 Agent Evaluation 成热点。评估 Agent 与 LLM 有本质区别，Agent Evaluation 要考察系统在动态环境实现目标的综合表现，传统 LLM 评估方法无法沿用。业界涌现 GAIA 等相关工作，评估范式也在不断演进。
千问AI Arena上线：给Agent一个真实的战场
8月12日，阿里千问AI平台上线‘千问AI Arena’，这是面向AI Agent的挑战与评测平台。它从真实业务产生任务，征集解决实际问题的Agent方案。首个任务聚焦跨境电商，有丰富奖励和评审机制。