「评测标准」共找到 946 篇相关文章
Claude Code auto mode 解析：如何用 AI 分类器替代人工审批
Anthropic 发布 Claude Code 的 auto mode 解决审批疲劳问题，用 AI 分类器替代人工审批。介绍了其核心思路、判断危险的标准、两阶段分类等，还分析了漏检率、被拦截后的处理及子 Agent 检查等，也指出了目前局限。
“AI 在一线：开发人员如何重塑软件开发流程” ｜圆桌讨论
文章是关于“AI在一线：开发人员如何重塑软件开发流程”的圆桌讨论，多位嘉宾分享了AI辅助工具对软件开发的影响，包括加速原型设计、缩短项目时间等，也提到了局限性和需注意的问题，如信任和度量标准。
租了8张H100，他成功复现了DeepSeek的mHC，结果比官方报告更炸裂
元旦期间，DeepSeek发布的mHC震撼AI社区。FlowMode工程师Taylor Kolasinski租8张H100复现mHC，结果比官方报告更优。文章介绍复现实验，对比mHC、HC和标准残差结构，揭示超连接在规模化时的不稳定性及mHC的解决办法。
AI能否「圣地巡礼」？多模态大模型全新评估基准VIR-Bench来了
来自日本高校和企业团队提出多模态大模型评估基准 VIR-Bench，用于评测 AI 对旅行视频中地理位置与时间顺序的理解。它将任务拆解，构建数据集，实验显示模型虽有改进但性能远未达标，指明了大模型进化方向。
快慢思考不用二选一！华为开源7B模型实现自由切，精度不变思维链减近50%
华为发布openPangu-Embedded-7B-v1.1，参数7B却有双重“思维引擎”。采用渐进式微调策略和快慢思考自适应模式，可自由切换快慢思考，在多评测中精度提升，思维链减近50%。还推出openPangu-Embedded-1B小模型。
清华给电子显微镜加上Agent，DeepSeek V3全程调度，数天流程缩短至几分钟
清华大学牵头，联合多机构推出电镜领域AI Agent AutoMat，它能把原子级STEM图像转成标准CIF结构并给出关键物性，将人工流程缩短至几分钟。它还构建数据集验证，性能超现有工具，不过也有瓶颈待解决。
都标5美元，账单差三成！OpenAI高管：token从来没法直接比价
OpenAI Codex负责人Tibo指出，不同模型对同一段文字切分的token数不同，即便单token价格相同，最终账单也可能差异很大。他还提到，token无统一计量标准，跨厂商和新旧模型计数都难通用，真正重要的是每次成功结果的成本。
阿里云的野心，不在 Agent Builder
近期云厂商动作整齐，如阿里云推出企业级 Agent 全栈服务平台 Agent Studio。企业做 Agent 面临基础设施难题和高成本问题，业内探索了自建、用开发框架、企业级 Agent 平台三种路径，阿里云 Agent Studio 在多方面替企业解决麻烦，还可能改变云服务模式。
诺奖、金牌与SOTA：谷歌2025八大领域核心突破年终回顾
2025年是AI成为社会基础能源的关键转折点，谷歌通过全栈自研与生态标准双轮驱动构建智能基础设施帝国。从模型推理到科学发现领域均有突破，如Gemini 3系列、Ironwood芯片等，还在各领域有诸多应用与探索。
LM Studio宣布支持在Mac上跑Qwen3-Next 80B模型
LM Studio宣布支持基于MLX框架在Mac上运行阿里Qwen3-Next 80B模型。该模型虽总参数量达800亿，但每次推理仅激活30亿。第三方评测显示其4bit量化运行效果好，不过实现GGUF格式支持尚需时间。