「评估指标」共找到 945 篇相关文章
Token纪元：从「马力」到「人天」再到「兆字元时」的认知革命
文章指出，AI时代需全新生产力计量单位“马斯”。字元是AI“语言燃料”，但缺乏统一计量体系。智能社会的容量、速度、价格是关键指标，当前AI算力网络停在2G时代，AI劳动力崛起将重构就业，Token或引发文明跃迁。
「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能“扛活儿”了？
4月7日阿里云通义千问Qwen3.6-Plus上线，作者用两套真实复杂任务评估其智能体能力。结果显示它在复杂决策和编码任务表现出色，有工业级交付水准，但也有首字延迟等短板，且参数效率优势明显。
刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习
腾讯混元团队和复旦联合团队发布姚顺雨署名首篇论文《CL - bench》。论文证实模型在上下文利用上有能力短板，还构建了CL - bench评测基准，评估发现前沿模型在上下文学习上表现差，未来要让上下文学习走向现实。
Code2Video：代码驱动、智能体协同、精准可控的教学视频生成
新加坡国立大学 ShowLab 团队提出 Code2Video，一种基于代码驱动的视频生成新范式。它以可执行代码为媒介，结合三智能体协同框架，解决了现有文生视频方法在教育场景的不足，在美学和教学效果指标上有明显提升。
刚刚，首个能在机器人上本地运行的具身Gemini来了
谷歌DeepMind推出Gemini Robotics On-Device，这是首个可部署在机器人上的VLA模型，无需联网，能让机器人适应新任务和环境。还将发布SDK助开发者评估。此外，谷歌下调Gemini免费额度，推出图像生成模型Imagen 4和Imagen 4 Ultra。
AI哪怕答案正确，逻辑链却惨不忍睹，奥数级不等式证明成功率不到50%｜ 斯坦福&伯克利&MIT
斯坦福、伯克利、MIT等联合研究，系统评估29个大模型在奥数级不等式证明任务的能力。研究发现，模型答案正确多靠猜，推理漏洞多，参数大、思考久也不能提升推理严谨度，但自我反思和定理线索策略有改善效果。
AI「生肉证明」堆爆GitHub！陶哲轩重磅发声：只会解题没用了
陶哲轩判断数学从证明稀缺进入过剩时代，AI 使证明生成加速，出现验证和消化跟不上的‘阻抗失配’现象。如 Erdős 问题有众多待评估方案堆积，而仅1196号案例跑通‘三件套’。他还指出学术评价体系将重写。
4步生图封神，GenEval从61%狂拉到92%，全面超越GPT-4o的TDM-R1模型来了
香港科技大学唐靖团队等提出全新通用强化学习框架 TDM - R1，仅 4 步采样就让组合式生成指标 GenEval 从 61% 升至 92%，超越 GPT - 4o。它解决少步扩散模型痛点，实现多方面性能提升，为少步生图发展带来新方向。
端到端语音模型：从语音表征到模型架构
本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。
CVPR 2026｜1分钟单图变4D视频！AI看图直接脑补物理规律
北京理工大学和理想汽车等团队提出全新框架PhysGM，引入DPO实现端到端快速前馈推理，能1分钟内将单图生成为4D动态视频，在速度和评价指标上超越主流模型，相关工作被CVPR 2026接收且代码已开源。