「评估驱动开发」共找到 2707 篇相关文章
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
AI出码率70%+的背后：高德团队如何实现AI研发效率的量化与优化
文章围绕建立统一数据采集和指标体系，搭建AI统一数据采集能力，定义AI出码率等核心指标，构建AI效率研发指标体系，还介绍了数据采集方案、指标计算等，实现数据驱动闭环。
ICCV 2025 | UniOcc: 自动驾驶占用预测与推理统一数据集及基准平台
来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。
4400 人收藏的开源排版项目！Kami：让 AI 生成的文档，终于有了值得一看的排版！
开源作者tw93因不满AI生成文档排版，开发了Kami。它是给AI写的文档设计系统，有一套跨文档的约束集合，支持六种文档类型，安装简单，能让AI生成的文档排版更专业。
重磅！Claude一口气打通Adobe、Blender等8大设计建模创意软件，3所顶级艺术院校同步试点
Anthropic宣布与多家伙伴推出一批连接器，让Claude能在创意软件中运行，涵盖3D建模、平面设计等领域。Claude在创意工作中有多种用途，Anthropic加入Blender开发基金，还与三所艺术院校合作试点。
B站爆了！Hermes首度直播回应「抄袭」，MiniMax提前杀入Harness赛点
Hermes Agent业务负责人回应抄袭质疑，技术对谈探讨AI竞争新维度。MiniMax动作密集，构建“Model + Harness”双向飞轮，其模型获海外开源圈认可，产品驱动模型优化，还与云厂商合作解决沙箱问题。
你的论文有novelty吗？复旦搞了个顶会论文查新系统
复旦大学NLP团队与WisPaper合作研发OpenNovelty系统，用于论文新颖性评估。系统基于大语言模型，强调证据与可验证性，有四步分析流程，已分析1360篇投稿并公开报告，有辅助作用但有局限。
The Batch: 892 | 教育应与 AI 协作，而非对抗
三年多前ChatGPT发布，教育改变。曾寄望用AI检测器识别生成文本，但学生易规避。检测难维持信任，还可能惩罚错对象。生成式AI可提升学习，应构建新评估模型，如展示真实理解等。
Svelte 团队成员开源新框架 Ripple，又一个想“改写前端”的框架？
Ripple是全新开源前端框架，由Svelte核心维护者打造，融合多框架理念，采用TS优先设计，有细粒度响应式机制等，目标是带来更简单开发体验，团队还探索集成AI能力，目前处于早期阶段。