AI Stack

TAGS / TERM

模型评估

共 207 篇

  1. OpenAI研究：推理模型难以控制思维链，强化可监控性安全价值 2026-03-07 · BLOGS_PODCASTS
  2. 利用LLM参数化知识实现无检索的事实核查 2026-03-06 · ARXIV
  3. Balyasny 借 GPT-5.4 与 Agent 工作流构建 AI 投研引擎 2026-03-06 · BLOGS_PODCASTS
  4. OpenAI推出CoT-Control：强化推理模型思维链监控 2026-03-06 · BLOGS_PODCASTS
  5. GPT-5.4思维系统卡：推理机制与安全策略详解 2026-03-06 · BLOGS_PODCASTS
  6. Balyasny 融合 GPT-5.4 与 Agent 工作流构建 AI 投研引擎 2026-03-06 · BLOGS_PODCASTS
  7. AI工程核心辩论：Harness Engineering是否成立 2026-03-06 · BLOGS_PODCASTS
  8. GPT-5.4 Thinking 推理模型技术报告发布 2026-03-06 · BLOGS_PODCASTS
  9. LLM中的L代表撒谎：大语言模型幻觉现象分析 2026-03-05 · HACKER_NEWS
  10. LLM 中的 L 代表撒谎：大语言模型的幻觉问题 2026-03-05 · HACKER_NEWS
  11. LLM中的L意指撒谎：大语言模型幻觉问题分析 2026-03-05 · HACKER_NEWS
  12. LLM中的L代表谎言：大语言模型的幻觉问题分析 2026-03-05 · HACKER_NEWS
  13. AWS中国团队评估Nova Forge：VOC分类任务与开源模型基准对比 2026-03-04 · BLOGS_PODCASTS
  14. Nova Forge 数据混合技术评估：在专业 AI 任务中保持智能水准 2026-03-04 · BLOGS_PODCASTS
  15. AWS中国团队评估Nova Forge：VOC分类任务表现及开源基准对比 2026-03-04 · BLOGS_PODCASTS
  16. 多轮LLM系统模型切换性能漂移评估方法 2026-03-04 · ARXIV
  17. AWS中国团队评估Nova Forge：VOC分类任务性能实测 2026-03-04 · BLOGS_PODCASTS
  18. GPT-5.3 Instant 系统卡发布：性能与安全机制详解 2026-03-03 · BLOGS_PODCASTS
  19. AWS中国团队评估Nova Forge：VOC分类任务实测与开源模型对比 2026-03-03 · BLOGS_PODCASTS
  20. AWS中国团队评估Nova Forge：在VOC分类任务中保持智能的数据混合实践 2026-03-03 · BLOGS_PODCASTS
  21. AWS评估Nova Forge数据混合技术：VOC分类任务性能优于开源模型 2026-03-03 · BLOGS_PODCASTS
  22. AWS中国团队评估Nova Forge：VOC分类任务与开源模型基准对比 2026-03-03 · BLOGS_PODCASTS
  23. AWS团队评估Nova Forge：VOC分类任务实测与开源模型对比 2026-03-03 · BLOGS_PODCASTS
  24. 无智慧的知识：评估大模型与预期影响的错位 2026-03-03 · ARXIV
  25. CHIMERA：用于提升大模型推理泛化能力的紧凑合成数据 2026-03-03 · ARXIV
  26. LLM是否受益于自身生成文本的反馈训练 2026-03-03 · ARXIV
  27. DARE-bench：评估大模型数据科学建模与指令保真度 2026-03-03 · ARXIV
  28. 评估学习表征可识别性的挑战与难点 2026-03-02 · ARXIV
  29. LLM是否受益于自身生成的文本 2026-03-02 · ARXIV
  30. AWS中国团队评估Nova Forge：VOC分类任务表现与开源模型基准对比 2026-03-02 · BLOGS_PODCASTS
  31. METR Joel Becker谈指数级时间视界评估与威胁模型 2026-03-02 · BLOGS_PODCASTS
  32. AWS Nova Forge 数据混合技术评估：兼顾专业化与智能水平 2026-03-02 · BLOGS_PODCASTS
  33. AWS中国团队评估Nova Forge：VOC分类任务与开源模型基准比对 2026-03-02 · BLOGS_PODCASTS
  34. Anthropic模型蒸馏与SWE-Bench失效机制分析直播 2026-03-02 · BLOGS_PODCASTS
  35. $L_p$校准误差的变分估计方法 2026-03-02 · ARXIV
  36. 无需重新训练即可迁移至 Claude 2026-03-01 · HACKER_NEWS
  37. 决策树：嵌套决策规则的强大效能 2026-03-01 · HACKER_NEWS
  38. 决策树：嵌套决策规则的强大效能 2026-03-01 · HACKER_NEWS
  39. Anthropic模型蒸馏与SWE-Bench失效机制分析 2026-03-01 · BLOGS_PODCASTS
  40. 规模难以克服语用学：报告偏差对视觉语言推理的影响 2026-02-28 · ARXIV
  41. Anthropic 模型蒸馏与 SWE-Bench 作弊机制分析 2026-02-28 · BLOGS_PODCASTS
  42. Anthropic模型蒸馏与SWE-Bench失效机制分析 2026-02-28 · BLOGS_PODCASTS
  43. 数据集压缩至1MB：小规模数据集的模型训练效果评估 2026-02-27 · ARXIV
  44. Anthropic蒸馏与模型作弊机制：SWE-Bench失效分析 2026-02-27 · BLOGS_PODCASTS
  45. Anthropic蒸馏与模型作弊机制：SWE-Bench失效分析 2026-02-27 · BLOGS_PODCASTS
  46. Anthropic蒸馏与模型作弊机制：SWE-Bench失效分析 2026-02-27 · BLOGS_PODCASTS
  47. 缓解可读性代价：基于解耦证明者-验证者博弈的方法 2026-02-27 · ARXIV
  48. 高效自动化翻译基准测试与数据集的流水线 2026-02-26 · ARXIV
  49. 首个完全通用的计算机动作模型 2026-02-26 · HACKER_NEWS
  50. PA Bench：评估前沿模型多标签页任务能力 2026-02-25 · HACKER_NEWS