「半监督评测体系」共找到 1306 篇相关文章
阿里重磅开源！Open Code Review：一周 5k star，为你的代码保驾护航
阿里开源 Open Code Review，它前身是内部 AI 代码评审助手，经大规模验证。该工具结合确定性工程与 Agent，解决通用 Agent 评审代码的问题，在准确率、效率等方面表现出色，还介绍了使用方法和评估方式。
DeepMind华人研究员Lun Wang离职，「评估」成制约模型能力飞跃的瓶颈
谷歌DeepMind研究员Lun Wang离职后发文指出，当下评估体系难以应对新模型，制约模型能力飞跃。现有评估多针对当前模型，新能力出现时往往无法预测，需构建能自我进化的评估系统。
2篇最新Anthropic论文，揭开LLM对齐新范式
Anthropic在5月连发两篇研究，揭示LLM对齐训练新范式。指出单纯模仿正确行为不足以保证安全，需在预训练与对齐微调间插入教原理阶段。研究围绕Claude模型展开，有多项关键发现，MSM方法效果显著。
这张信息图，居然是8B开源模型做的？？
商汤新开源的 8B 多模态模型 SenseNova U1，架构独特，图像评测表现好，信息图生成能力强、延迟低。它具备图文交错能力，适合自媒体、敏感行业等，有在线体验和开源代码入口。
你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench
剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。
The Batch: 942｜暗基因组揭秘
AlphaGenome 能解读人类和小鼠基因组中 98% 不编码蛋白质部分，识别多项特征。它经预训练和知识蒸馏，在多项评测超早期模型，API 等免费用于非商业，助研究基因组与生物过程联系。
中国科协重磅回击，NeurIPS含金量一夜归零！AI顶会已死？
NeurIPS以「合规」为由出台歧视性政策，引发强烈不满。其官方回应遭群嘲，中国科协出手将其2026年在中国学术评价体系中「含金量」归零，顶尖学者集体退审，顶会审稿制度也在坍塌。
龙虾的应用商店挂牌了！北大开源MagicSkills，让Agent Skill可自由安装组合同步
北京大学Narwhal - Lab开源项目MagicSkills，把AI Agent所需技能统一管理，实现能力复用。它解决了技能管理分散、重复等问题，提供共享体系，让技能可安装、组合、同步和调用，适用于多Agent项目等。
刚刚，Anthropic 发布 Claude「宪法」：一份写给 AI 的人生指南
Anthropic 公开给 Claude 写的数万字「宪法」，从「规则清单」升级为「价值体系」，设定四个核心价值，有「聪明朋友」理论，设硬性限制，对诚实要求严格，还探讨意识等问题，强调透明度和持续进化。
世界最强医疗模型百川M3发布：AI医疗，奇点已至
百川智能发布并开源全球最强医疗模型Baichuan - M3，各项指标SOTA且超越人类医生平均水平。它告别机械‘背医书’，学会主动追问、排查病因，解决AI‘胡说八道’问题，准确度超GPT - 5.2 - High。