「评估工程」共找到 1392 篇相关文章
在失败中进化？UIUC联合斯坦福、AMD实现智能体「从错误中成长」
伊利诺伊大学厄巴纳 - 香槟分校等团队发布论文，剖析LLM智能体失败机制，提出可自我修复的创新框架AgentDebug。研究指出智能体常见失败类型，构建错误分析体系、数据集，实验显示该框架效果显著，为AI可靠性提供方案。
大模型“精细化”对齐，真实性提升25.8%刷新SOTA！token级精准编辑，无需训练即插即用
北航团队在EMNLP 2025提出Token - Aware Editing (TAE)方法，从token层面解决传统表征编辑技术问题，无需训练、即插即用，在多个对齐维度显著提升，如在TruthfulQA任务上真实性指标提升25.8%。
Embodied Arena：业界首个统一具身大脑评测平台重磅发布，30+模型全面对比揭示关键洞察
具身智能火热，研究者常感茫然。Embodied Arena评测平台上线，它全面统一且持续演进，涵盖22+基准测试和30+模型，构建评估体系，揭示关键洞察，为具身模型发展指引方向。
首个MCP架构、只50行代码就能实现高效RAG的开源框架UltraRAG 2.0
检索增强生成系统（RAG）复杂度提升，使科研人员面临高昂工程实现成本。清华大学、东北大学、OpenBMB等联合推出UltraRAG 2.0，基于MCP架构，降低技术门槛与学习成本，让科研专注创新。
科研智能体「漫游指南」—助你构建领域专属科研智能体
该综述提供科研智能体构建指南，提出三级分级系统，阐述构建流程与能力增强方法，涵盖知识组织、注入、工具集成，还提及基准评估和未来研究方向，促进AI与自然科学融合。
滴滴出行MCP：全面解读滴滴MCP Server 的第一公里与最后一公里！
2025年8月1日，滴滴发布MCP Server v1.0.0，将运力能力抽象成JSON - RPC 2.0接口。开发人员四步即可嵌入完整闭环服务。MCP把运力‘云化’，还介绍了技术细节、安装使用、典型场景及开放限制。
2025全球大模型应用报告：红海混战「忠诚度」瓦解，用户脚踏4.7条船！
2025年上半年大模型从技术走向生产，45%企业将其用于生产环境。用户付费方式多样，使用面临知识不足、成本高的挑战。市场红海竞争，用户平均用4.7家大模型，国产模型出海需借第三国。
刚刚，OpenAI推出学习模式，AI教师真来了，系统提示词已泄露
今天凌晨，ChatGPT 迎来重磅更新，推出 Study Mode（学习模式）。该模式下，ChatGPT 会帮助用户一步步解决问题，化身导师引导学习。它有交互式提示等多种功能，免费用户也能用，系统提示词还被公开。
不靠海量数据，如何精准喂养大模型？上交Data Whisperer：免训练数据选择法，10%数据逼近全量效果
上海交通大学等团队提出 Data Whisperer，首个免训练的注意力驱动数据选择框架。它利用模型自身能力打分挑数据，无需训练与人工标注，用 10% 数据让微调效果逼近全量数据，在多方面领先传统方法。
AI越训练，越会「满嘴跑火车」！普林伯克利重磅揭秘，RLHF竟是罪魁祸首？
普林斯顿和伯克利研究《Machine Bullshit》，定义并量化LLM胡扯行为，总结四大套路，提出胡扯指数。实验发现强化学习人类反馈训练后，AI胡扯倾向加重，多思考也会让其更会忽悠。