AI Stack

TAGS / TERM

模型评估

共 207 篇

  1. 数十场中型发布会背后的共同主题：形成闭环 2026-02-25 · BLOGS_PODCASTS
  2. OpenAI前沿评估负责人探讨SWE-Bench Verified后的下一步 2026-02-25 · BLOGS_PODCASTS
  3. OpenAI前沿评估负责人：SWE-Bench Verified后的智能体评测新方向 2026-02-25 · BLOGS_PODCASTS
  4. OpenAI前沿评估团队：SWE-Bench Verified后的智能体评估新方向 2026-02-25 · BLOGS_PODCASTS
  5. KNIGHT：知识图谱驱动的多选题生成与自适应难度校准 2026-02-25 · ARXIV
  6. 面向大规模视频推理的综合基准测试套件 2026-02-24 · ARXIV
  7. Skill-Inject：评估智能体技能文件攻击漏洞 2026-02-24 · ARXIV
  8. OpenAI 前沿评估团队探讨迈向智能体评估的下一阶段 2026-02-24 · BLOGS_PODCASTS
  9. Hugging Face Skills 功能上线与模型评估体系更新 2026-02-24 · HACKER_NEWS
  10. OpenAI前沿评估团队：从SWE-Bench Verified看智能体评估演进 2026-02-24 · BLOGS_PODCASTS
  11. SWE-bench Verified 存在数据污染与评估偏差，建议改用 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  12. SWE-bench Verified 数据污染与测度失准分析及替代方案 2026-02-24 · BLOGS_PODCASTS
  13. OpenAI 前沿评估团队：SWE-Bench Verified 之后的下一步 2026-02-24 · BLOGS_PODCASTS
  14. 53款模型“洗车”测试 2026-02-24 · HACKER_NEWS
  15. DeepMind研究：多智能体协作瓶颈与Agent能力天花板分析 2026-02-24 · JUEJIN
  16. 53款模型“洗车”测试：评估多模态AI在物理场景中的表现 2026-02-24 · HACKER_NEWS
  17. 53款模型“洗车”测试：评估代码生成与修复能力 2026-02-24 · HACKER_NEWS
  18. 53款模型“洗车”测试：评估大模型代码生成鲁棒性 2026-02-24 · HACKER_NEWS
  19. 分享AI模型在First Proof数学挑战中的证明尝试 2026-02-24 · BLOGS_PODCASTS
  20. SWE-bench Verified 存在数据污染与缺陷，建议迁移至 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  21. SWE-bench Verified 数据泄露与测试缺陷分析：为何应迁移至 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  22. OpenAI 推进智能体评估：SWE-Bench Verified 后续方向 2026-02-24 · BLOGS_PODCASTS
  23. 研究显示主流AI模型向弱势用户提供的信息准确度较低 2026-02-23 · BLOGS_PODCASTS
  24. SWE-bench Verified 数据泄漏与测试缺陷分析：为何推荐改用 SWE-bench Pro 2026-02-23 · BLOGS_PODCASTS
  25. OpenAI提出SWE-Bench-Dead：智能体前沿评估的下一步 2026-02-23 · BLOGS_PODCASTS
  26. 53 款模型参与“洗车”基准测试 2026-02-23 · HACKER_NEWS
  27. SWE-bench Verified 数据污染严重，推荐使用 SWE-bench Pro 2026-02-23 · BLOGS_PODCASTS
  28. MIT新方法根除漏洞并提升大语言模型安全性与性能 2026-02-23 · BLOGS_PODCASTS
  29. 分享AI模型针对First Proof数学挑战的证明尝试 2026-02-23 · BLOGS_PODCASTS
  30. MIT新方法揭示大模型隐藏偏差并提升安全性 2026-02-23 · BLOGS_PODCASTS
  31. 大语言模型推理失败机制分析 2026-02-21 · HACKER_NEWS
  32. Anthropic 发布自主智能体 METR 基准测试数据 2026-02-20 · BLOGS_PODCASTS
  33. 研究显示主流AI模型向弱势用户提供的信息准确度较低 2026-02-20 · BLOGS_PODCASTS
  34. Anthropic 公布 Agent 自主性研究及 METR 基准数据 2026-02-20 · BLOGS_PODCASTS
  35. Anthropic发布自主Agent研究：基于METR数据评估模型自主能力 2026-02-20 · BLOGS_PODCASTS
  36. Anthropic 发布自主智能体 METR 基准测试数据 2026-02-20 · BLOGS_PODCASTS
  37. 麻省理工学院新方法根除漏洞并提升大语言模型安全性 2026-02-20 · BLOGS_PODCASTS
  38. Anthropic发布基于METR数据的Agent自主性研究 2026-02-20 · BLOGS_PODCASTS
  39. MIT新方法根除漏洞并提升大语言模型安全性与性能 2026-02-19 · BLOGS_PODCASTS
  40. Anthropic发布Agent自主性研究及METR数据 2026-02-19 · BLOGS_PODCASTS
  41. Anthropic发布Agent自主性研究及METR数据 2026-02-19 · BLOGS_PODCASTS
  42. 长上下文LLM缩放缺陷：隐私与个性化任务揭示注意力分散 2026-02-18 · ARXIV
  43. 长上下文LLM隐私与个性化任务中的缩放差距研究 2026-02-17 · ARXIV
  44. 超越掩码扩散语言模型的扩展性研究 2026-02-17 · ARXIV
  45. 语义消融实验：揭示AI写作为何平庸同质化 2026-02-17 · HACKER_NEWS
  46. 科学推理模型引入拒答机制以提升准确性 2026-02-17 · ARXIV
  47. 研究：自生成的智能体技能通常无效 2026-02-17 · HACKER_NEWS
  48. 研究：自生成的Agent技能实际无效 2026-02-17 · HACKER_NEWS
  49. 研究：自生成的Agent技能通常无效 2026-02-16 · HACKER_NEWS
  50. 研究：自生成的Agent技能通常无效 2026-02-16 · HACKER_NEWS