「自动评测体系」共找到 1695 篇相关文章
出了两道真题考 GLM-5.2，Opus 4.8 和GPT 5.5 陪跑
作者对GLM - 5.2、Opus 4.8和GPT 5.5进行两项测试。一是审计Skill体系，GLM - 5.2覆盖skill数多、找出冲突多，还挖出bug；二是做世界杯夺冠推演器网站，Opus表现出色，GLM - 5.2省token，Codex有巧思但结构有缺陷。
全球首个！国产AI开源系统一周狂改百款软件，全程0人干预
中国正从「制造大国」迈向「智造强国」，国产工业软件面临性能瓶颈。面壁智能联合OpenBMB开源全球首个Stencil优化AI系统ForgeStencil，1周自动优化100+软件，全程0人干预，提升研发效率，切中制造业升级诉求。
开源 AI 视频平台
开源 AI 视频平台集成剪辑生成器、AI 短视频、YouTube 工作室三大工具，能将长视频转短视频，为业务生成营销视频，还具备免费 YouTube 工具包。支持多平台发布，自托管永久免费。
速度提升，能力却暴跌？扩散模型做智能体的残酷真相
南洋理工大学陶大程教授团队联合发布评测报告，揭示扩散语言模型在智能体能力上有系统性缺陷，落后自回归模型。还分析其失败原因，提出评测框架，明确能力边界并给出研究建议。
机器人长出800个心眼？阿里达摩院开源具身新大脑，硅谷又坐不住了
2026年具身智能竞争激烈，阿里达摩院开源RynnBrain“具身大脑”。它采用分层架构，在16项评测中超越前沿模型。还介绍了核心技术、训练策略等，且全系列模型、评测基准和代码均开源。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
3D生成告别「穿模」噩梦！VASTx清华将蒙皮权重Token化，统一生成骨骼与权重，GRPO微调形变平滑
3D模型生成容易，让它“动起来”难，传统AI蒙皮算法有局限。SkinTokens研究将蒙皮权重离散化，构建TokenRig框架，引入GRPO算法，提升了AI自动绑定精度和泛化能力，助力3D动画自动生产。
Google开源DESIGN.md。玩AI，今年最该知道的Markdown！
Google开源DESIGN.md格式规范，对用AI coding的人很实用，可约束产品UI设计。开源社区已有70+大厂的DESIGN.md及自动提取的开源项目。还有汇聚大厂设计规范的仓库及可自动生成的工具，或成行业标准。
“导演梦”不再遥远：Captain Cinema 让你用短片制作出电影
约翰·霍普金斯大学与字节Seed团队推出自动生成短片的Captain Cinema系统。它以剧情文字为输入，先规划关键帧，再补全画面动态合成短片。采用特殊训练法和模型，虽有局限，但为电影自动生成迈关键一步。
当AI小说遇上短视频：这款神器让你1秒变导演！
作者小G推荐开源项目TaleStreamAI，它能将AI小说片段转为电影感短视频，具有全自动处理等功能，官方提供一键安装包，对创作者、程序员等有不同价值，开发者还在招募人员。