「评测体系」共找到 1162 篇相关文章
耶鲁等团队联合发布首个虚拟细胞Agent，可自动设计出先进的模型
耶鲁等团队发布首个多智能体系统CellForge，可自动化设计虚拟细胞模型。它能输出模型架构和代码，有跨模态能力，性能超多个领域代表性模型，可降低科研门槛，加速药物研发。
八爪鱼微电子：打造感算一体的智能识别生态
八爪鱼微电子成立于2019年，是国内智能门锁芯片与模组领域领先企业。它构建‘感算一体’底层技术体系，还通过标准共建、创新平台构建等推进生态建设，欲以技术与生态驱动行业创新。
o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界
GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。
钉钉上跑出的第一个行业专属大模型落地：准确率超 90% 的妇科专业大模型
近日，壹生检康在钉钉企业专属 AI 平台训练出“豆蔻妇科大模型”，准确率达 90.2%。钉钉构建支持体系助企业构建大模型，后续还将帮伙伴构建模型和智能体，服务中小企业。
豆包 AI 编程：一句话写赛博鱼缸，动嘴皮改富士滤镜
豆包发布全新模型 1.6 后，AI 编程更新，基于此模型在评测集位列第一梯队。它实现低门槛+可用性，能一句话生成网站、工具，还可可视化编辑，目标是让普通人能做产品。
从刮胡子机器人到双臂神技！这家具身独角兽引爆亿级美元融资热潮
具身智能大热，Generalist AI展示「拂晓」仿人自适应机器人完成高难度任务。日前，非夕科技宣布完成C轮亿级美元融资。该公司由前DeepMind科学家创立，获英伟达投资，其机器人在多领域有应用。
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。
73%人类认同率！Video-Bench实现视频质量精准打分
上海交大等团队提出视频评估框架Video - Bench，让多模态大模型‘像人一样评判视频’。它构建双维度评估框架，引入链式查询和少样本评分技术，与人类判断73%高相关，为视频生成模型优化提供标尺。
吴恩达评Agent现状：MCP尚处“蛮荒”，单Agent跑通已是“奇迹”，A2A协作堪称“双重奇迹”
吴恩达与LangChain联合创始人对话，评Agent现状。他认为MCP尚处‘蛮荒’，单Agent跑通不易，A2A协作更难。还谈了Agentic架构、AI系统构建、工具使用、语音技术等，给出创业建议。
搜索智能体也需要「操作系统」：SearchOS 开源多智能体协作框架
人大和蚂蚁的 SearchOS 研究，给出搜索智能体在长程任务中问题的答案。它借鉴数据库理念，做了多项核心设计，在开放信息检索基准评测领先，已提供多种使用方式，值得长程调研尝试。