「评估基准」共找到 1426 篇相关文章
The Batch: 969 | 谷歌的机器人模型有了腿
谷歌发布 Gemini Robotics 2（GR2），能将相机图像和文字指令转为机器人关节控制命令，可同时控制人形机器人腿、躯干、手臂和手部，简化模型训练和设计，不过谷歌未公布其基础模型等信息。
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。
上下文窗口限制被打破：Subquadratic推出了一个1200万Token的窗口
2026 年前沿模型宣传至少 100 万 Token 上下文窗口，但利用不佳。Subquadratic 推出能处理 1200 万 Token 窗口的模型，称可绕过问题，还将推 5000 万窗口模型，其 SSA 架构有优势，基准测试成绩佳。
ICML 2026｜告别「单线程」思维，智能体进化出了原生的并行推理大脑
北京通用人工智能研究院语言交互实验室提出原生并行推理器NPR，它有「自蒸馏 + 并行强化学习」三阶段训练范式，配套并行推理引擎，让并行推理成模型原生认知能力，还介绍了其具体实现、实验结论等。
700多个「坏模型」喂出AI测谎仪？Anthropic审计神器让AI自曝黑料
Anthropic故意训练近700个「有问题」模型，训了LoRA适配器（IA）让模型自报家门。IA在AuditBench平均成功率59%，但也存在幻觉、成本高、训练分布无指南等局限。
在ICLR 2026主会之前，我们和30多位入选者聊了聊最前沿的AI细节
4月14日，智源社区、DeepTech联合举办ICLR 2026预讲会。会议聚焦顶会核心精华，三十余位论文作者分享AI Agent、大语言模型等热门领域成果，展示解决大模型痛点的研究。
首个用户生活「长程模拟器」来了！LifeSim 重新定义大模型个性化评测
现有个性化助手评测基准与真实用户-助手交互脱节，来自复旦大学等的研究人员提出 LifeSim 框架及 LifeSim-Eval 评测方法。实验显示主流 LLM 处理显性需求尚可，隐性意图识别等方面短板明显。
刚刚，英伟达革了自己的命：智能体自主进化7天，干掉所有算子工程师、GPU专家
英伟达新研究AVO构建了新型进化变异算子，用自主编码智能体取代经典方法。智能体7天自主进化，优化MHA内核，性能超cuDNN和FlashAttention - 4，还能快速适配GQA，展现强大泛化能力。
Anthropic揭秘Agent长线开发架构：引入GAN机制，Claude自主撸出全栈应用
Anthropic公开前端设计和自主软件工程最新突破，为让Claude构建完整应用，从GAN汲取灵感设计多智能体协同架构。介绍架构实践、解决的问题及应用效果，还探讨架构简化和设计规律。
用Diffusion构建「AI虚拟细胞」，14项指标霸榜！Mila唐建团队破解单细胞「破坏性」测序难题
Mila唐建团队发表PerturbDiff，跳出前人认知盲区，将“细胞群体的概率分布”视为随机变量。它引入数学工具建模，让MMD内生于体系，在多项基准测试霸榜，还提供应对数据稀缺的思路。