「评测系统」共找到 2237 篇相关文章
五份专利曝光，长文拆解特斯拉V3灵巧手技术路线
特斯拉Optimus人形机器人量产计划因灵巧手难题被搁浅。4月16日，世界知识产权组织公布其第三代灵巧手5项专利，文章从整体构型、前臂、手腕等方面拆解其技术路线，各部分紧密协作，体现系统思维。
直面LeCun愿景，智在无界发布最强具身世界模型，20万小时人类视频屠榜6大榜单
智在无界作为人类视频学习路线开创者，4月14日发布第三代旗舰模型Being - H0.7，用20万小时人类视频训练，提出新范式，在6项权威评测中综合排名全球第一，拓展了世界模型能力边界。
Harness is the New Dataset：模型智能提升的下一个关键方向
文章指出当基模能力成熟，决定 agent 上限的是围绕模型搭建的系统，即 harness engineering。介绍其组件、设计原则，探讨模型与 harness 关系，还列举创业机会项目，最后推测下一范式是 Coordination Engineering。
AI 正在毁掉开源：从“协作圣地”到“垃圾洪水”，维护者士气跌至谷底，开始集体掀桌
AI Slop正破坏开源开发中维护者与贡献者的社会契约，贡献数量使系统不堪重负。文章探讨AI Slop时代开源现状、维护者应对方式，还提及基金会政策、极端选项、激励问题，并给出最终建议。
濒死3次，医生判他死刑！宾大教授奇迹自救，誓用AI攻克14000种绝症
宾大教授David Fajgenbaum多次濒死自救成功，创立Every Cure，借助AI系统MATRIX在7500万种药病组合中找治疗方案，已帮多名患者，还计划公开预测结果，用AI+人类模式助力医学。
SFT远不如RL？永不过时的剃刀原则打开「终身学习」大模型训练的大门
现代AI系统学习新任务时会灾难性遗忘旧知识，限制其持续学习能力。麻省理工学院研究者对比SFT和RL后发现，相同性能下RL更不易遗忘，提出遗忘定律，解释了RL优势源于其on - policy特性。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
ACL2025 | 代码助手火了，但安全吗？所有模型评估结果都很扎心
近期，GitHub Copilot、ChatGPT等AI代码生成工具爆火，效率显著提升，但代码安全性存疑。北大团队用CoV-Eval评测20款主流大模型，结果不佳，论文还给出优化方向，呼吁代码上线前严格测试。
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
WAIC期间，蚂蚁数科金融推理大模型发布会未开，论文已上线。其新模型Agentar - Fin - R1有8B和32B版，在金融测评集超DeepSeek等，还兼顾专业与通用，蚂蚁数科还提出评测基准Finova。
小米双模型正式开源！MiMo-V2.5-Pro无中断肝出“macOS”：54个应用全开、浏览器真能冲浪
小米MiMo-V2.5系列模型正式开源，权重全量开放。该系列含四大模型，综合实力对标国际顶尖水准。MiMo-V2.5 Pro能力出色，如4小时无中断完成“macOS”系统，且Token效率高省成本。小米还推出开发者扶持计划。