「个性化助手评测」共找到 1117 篇相关文章
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。
AI大模型浪潮下的认知重构：从一个数据老兵的转型思考
作者作为数据老兵，分享接触 ChatGPT 后的转型思考。指出 AI 使编程、数据分析师岗位巨变，填鸭式教育不再适用。强调认知结构是护城河，还探讨了 ETL、数据建模及 AI 原生产品变化。
60%情况下，主流大模型没理解风险只是装懂！别被模型的“安全答案”骗了
研究发现超60%案例中主流推理模型生成合规答案却未真正理解风险，存在系统性漏洞。淘天集团团队引入“表面安全对齐”术语，推出Benchmark研究该现象，还介绍了数据集生成流程及评测指标。
Java 三十周年重磅发声：James Gosling 怒斥 AI 是“一场骗局”，是科技高管“疯狂压榨”程序员的新工具
在 Java 诞生三十周年之际，Java 之父 James Gosling 发声，直言 AI 是“一场骗局”，是科技高管压榨程序员的新工具。他回顾 Java 发展历程，还分享了自己职业生涯、对开源和行业趋势看法等。
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
能让DeepSeek自进化的Harness！LlamaFactory作者开源新工具：0.2元自动造Agent
LlamaFactory作者郑耀威团队开源的PenguinHarness，是全球首个支持多Agent自进化的Harness，能自动构建、评测和改进Agent。它成本低、速度快，适配众多模型，还有严格契约保障安全。已在生产场景应用，效果显著。
腾讯 Marvis 上线 iOS 版：你电脑上的专属 AI 牛马，终于可以装进口袋了
腾讯 Marvis 是应用宝团队推出的个人 AI 助手，四端已打通。它有云端和端侧两种模式，具备跨端远控和本地知识库等被低估的能力，还与微软、英特尔合作，是国内有本地模式的优选。
Qwen3-VL-Seg 深度解读：当多模态大模型学会"像素级精准手术"，仅用0.4%参数碾压8B模型
文章深度解读阿里通义实验室发布的Qwen3-VL-Seg，它解决开放世界指代分割问题，用仅17M参数（占基础模型0.4%）在4B规模超越8B模型。介绍其原理、架构、数据、实验结果，还给出实战代码。
杀疯了！单卡4090跑通全量微调，面壁1B级多模态性能怪兽硬刚大厂
面壁智能推出MiniCPM-V 4.6，参数约1B，性能和推理效率出色。它在多模态任务综合能力、推理速度上领先竞品，靠ViT架构改造和4倍/16倍混合视觉Token压缩实现创新，有工业验证，对开发者和普通用户意义大。
谷歌悄悄加了个按钮，Gemini长出手脚变打工人！三巨头抢着教AI干活
谷歌悄悄为Gemini添加「Agents」入口，其将从聊天助手转变为Agent运行平台。谷歌还推出无代码/低代码的Agent Designer。此外，谷歌、Anthropic、OpenAI在编排层展开竞争，焦点转向谁能让更多人用上Agent。