「测试评估集」共找到 2678 篇相关文章
工业级文本转SQL新思路：成本暴降、超3000列超大数据库依然稳健
华中科大与复旦联合发布AutoLink框架，引入自主智能体，模拟人类工程师工作流。在不输入全量数据库模式下，实现对超大规模数据库模式的高精准链接与筛选，以低Token消耗刷新两大榜单纪录。
规范对齐：回答前的深思，让安全与行为边界更清晰
OpenAI等厂商将规范融入大模型。上海交大等团队提出规范对齐概念，构建评测基准SpecBench，揭示主流模型不足。探索测试时深思方法，如Align3，能提升模型规范遵循度，项目已开源。
新榜单CompileBench：让AI能搞定22年前的老代码
近日，CompileBench 测试 19 个 AI 模型编译真实代码能力，最难任务是复活 2003 年代码并交叉编译到 Windows 和 ARM64。不同模型表现不同，如 Claude Opus 4.1 成功完成 ARM64 静态编译，各模型有不同优缺点。
腾讯开源WMT2025冠军大模型：拿下30个第一，同类最佳
昨晚腾讯开源WMT2025冠军翻译大模型Hunyuan - MT - 7B，它在31种语言测试中获30个第一，成同类最佳。文中介绍其架构、训练过程，还通过多场景翻译案例展现优势，有望推动高质量翻译普及。
波士顿动力机器狗侧空翻炸场！穿轮滑鞋照样能翻
风头被中国机器人盖过的波士顿动力，让机器狗Spot完成侧空翻等动作。工程师称它并非为空翻设计。空翻是严苛测试手段，能验证系统性能，还透露了训练细节，此外它还将上《美国达人秀》。
从捍卫者到引路人，上交&上海AI Lab提出LEGION：不仅是AI图像伪造克星，还能反哺生成模型进化？
AIGC技术发展使AI图像滥用问题严重，公众面临信任危机。上交与上海AI Lab等团队在论文中从构建数据集、设计模型、实现检测与生成统一三方面破局，LEGION能检测伪造，还可反哺生成模型进化。
清华-腾讯联手：音频 - 视觉多模态任务统一框架
Crab是人大、清华和腾讯合作论文提出的模型，目标是高效一统多模态场景理解任务。它解决了音频 - 视觉理解模型任务干扰、合作显式化不足等难点，通过构建数据集、设计结构和统一架构实现多任务合作。
深入体验 A2A SDK：一步步教你构建“服务化”的 Agent 系统
文章基于A2A最新Python - SDK，介绍将LangGraph的Agent通过A2A协议对外暴露并服务的方法，涵盖核心架构、概念、交互流程，以及A2A Server端、Client端实现和测试总结，还提及A2A优势。
统一架构新思考，北大团队UniWorld-V1统一大模型
北大袁粒课题组提出统一大模型架构UniWorld-V1。通过对GPT - 4o - Image实验，发现其依赖语义编码器提取视觉特征，据此设计架构，在多基准测试表现优异，开源代码等促进研究。
陶哲轩再爆：一个月三破18年未解难题！AlphaEvolve彻底改写数学研究规则
一项封尘18年的数学难题，在短短30天内被AlphaEvolve与人类联手三度突破，和差集指数θ从1.173050提升至1.173077，刷新加法组合学天花板，展示了AI与人类协作的新范式。