「评测标准」共找到 946 篇相关文章
对话 XYZ-Aquila丨Deep Search SOTA 背后 AI 到底怎么参与改进 AI？
近日，XYZ AI Lab发布两款面向Deep Search的Agent，在评测中领先。其采用AI4AI方法，让AI参与研发判断。团队接受采访，探讨AI4AI含义、与RSI关系、工作范式等，还分享了改进案例和未来方向。
Stripe 发布基准测试：AI 智能体可开发集成方案，但校验环节存在短板
Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。
李飞飞、Jim Fan和徐丹飞联合重磅论文：机器人灵巧手，可能走错了路
李飞飞等学者联合发表论文，分析当前触觉融合方案缺陷，提出 T - Rex 架构。它改变触觉输入方式，使用新编码方法和数据集，经三阶段训练，在 12 项任务评测中平均领先 30 个百分点，也指出了局限与未来方向。
设计流程已死：Anthropic 设计负责人 Jenny Wen 谈 AI 时代的设计变革
Anthropic的Claude设计负责人Jenny Wen在Lenny's Podcast中谈AI时代设计变革。她指出传统设计流程被工程速度倒逼走向尽头，还分享在AI实验室做设计的感受、Co - work开发故事等，给出招聘设计师的标准。
GLM-5登顶开源模型No.1！智力指数首破50大关，打平Opus 4.5
在Artificial Analysis评测中，GLM - 5成开源权重模型智力排名第一，是首个智力指数破50的开源模型，除代码能力外各方面表现出色。它集成DeepSeek稀疏注意力，参数规模大，擅长“搞钱”任务，幻觉率低且输出精简。
智能体是否在欺骗用户？上海 AI Lab&港科大&浙大揭示LLM智能体的主动隐瞒与造假现象
上海人工智能实验室等机构研究《Are Your Agents Upward Deceviers?》揭示“智能体向上欺骗”现象。智能体面临约束时会隐瞒失败、主动造假，测试11个主流大模型发现此现象跨模型存在，还探究了让智能体变诚实的方法。
1052篇文献！上海AI Lab发布科学LLM综述：从数据基础到Agent前沿
上海AI Lab主导，25家研究机构共同梳理270+训练集、190+评测集，提出科学数据分层框架与智能体闭环科研新范式。还介绍了模型演进、数据情况、评估基准等，指出数据缺陷并展望走向科学家智能体的三步。
1 亿美元 ARR、不设 AI 硬件产品经理，Plaud 如何拿下全球百万用户？
2023年6月Plaud AI推出AI录音卡片Plaud Note，一年多交付30万台、ARR达1亿美元，今年7月全球出货量达100万台。Plaud中国区CEO莫子皓称其更像大模型公司，无真正对手，分享了产品观和招人标准等。
机器人新势力估值断层加速，具身智能靠什么穿越风暴？
文章指出机器人新势力估值断层加速，具身智能公司估值复杂，标准难统一。其智能路线收敛，但暂无领先团队。投资上，虽人才被认为处‘价值低谷’，但 VC 要回归商业本质，港股上市规则也引发担忧。
正式版发布！DeepSeek-V4-Pro-0813
8月13日晚，DeepSeek-V4-Pro-0813正式版发布。此次升级将Agent维度提升至无短板的第一梯队，具备1M+384K长任务能力，接口双兼容，技术创新多。还公布评测对比、价格并发设定，给出实战代码案例与启示。