AI Stack

TAGS / TERM

模型评估

共 207 篇

  1. 小实验室在音频领域取得领先优势 2026-02-16 · HACKER_NEWS
  2. OpenEnv 实践：评估真实环境中的工具调用智能体 2026-02-13 · BLOGS_PODCASTS
  3. OpenEnv 实战：评估真实环境中的工具调用智能体 2026-02-13 · BLOGS_PODCASTS
  4. 仅改用Harness框架即可提升15个大模型编程能力 2026-02-13 · HACKER_NEWS
  5. OpenEnv 实战：评估真实环境中的工具调用智能体 2026-02-13 · BLOGS_PODCASTS
  6. 仅更换框架，一下午提升15个大模型代码能力 2026-02-13 · HACKER_NEWS
  7. 评估多语言上下文护栏：人道主义大模型应用 2026-02-13 · HACKER_NEWS
  8. 仅调整框架，一下午提升15个大模型编程能力 2026-02-13 · HACKER_NEWS
  9. 能力导向训练引发大模型对齐风险研究 2026-02-13 · ARXIV
  10. 仅修改框架，一下午提升15个大模型代码能力 2026-02-13 · HACKER_NEWS
  11. 仅更换框架，一下午提升15个大模型编程能力 2026-02-12 · HACKER_NEWS
  12. OpenEnv 实践：在真实环境中评估工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  13. 仅调整框架一下午提升15个大模型编程能力 2026-02-12 · HACKER_NEWS
  14. 仅调整框架，一下午提升15个大模型编码能力 2026-02-12 · HACKER_NEWS
  15. 仅替换调度框架，一下午提升15个大模型编程能力 2026-02-12 · HACKER_NEWS
  16. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  17. 仅更换框架，一下午提升15个大模型编程能力 2026-02-12 · HACKER_NEWS
  18. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  19. 仅更换调度框架，一下午提升15个大模型代码能力 2026-02-12 · HACKER_NEWS
  20. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  21. 大语言模型面临的幻觉与逻辑推理局限 2026-02-12 · HACKER_NEWS
  22. 大语言模型在逻辑推理与事实准确性上的局限 2026-02-12 · HACKER_NEWS
  23. LLM盲区偏差检测：识别模型未提及内容 2026-02-11 · ARXIV
  24. GLM-OCR: Accurate × Fast × Comprehensive 2026-02-11 · HACKER_NEWS
  25. GLM-OCR：兼顾准确度、速度与通用性的多模态大模型 2026-02-11 · HACKER_NEWS
  26. 智能体不确定性研究揭示过度自信问题 2026-02-09 · ARXIV
  27. 从上下文学习比预期更难 2026-02-07 · HACKER_NEWS
  28. 从上下文学习的难度超出预期 2026-02-07 · HACKER_NEWS
  29. 从上下文学习的难度超出预期 2026-02-07 · HACKER_NEWS
  30. 从上下文学习比预期更具挑战性 2026-02-06 · HACKER_NEWS
  31. 上下文学习难度超出原有认知 2026-02-06 · HACKER_NEWS
  32. 从上下文学习比预期更难 2026-02-06 · HACKER_NEWS
  33. 从上下文学习的难度超出原有认知 2026-02-06 · HACKER_NEWS
  34. GPT-5.3-Codex：结合前沿编码性能与推理能力的代理式模型 2026-02-05 · BLOGS_PODCASTS
  35. 2026年AI展望：LLM、智能体、算力与中国角色 2026-02-04 · BLOGS_PODCASTS
  36. 构建AI版Wattpad以评估大模型小说创作能力 2026-02-03 · HACKER_NEWS
  37. 模型对齐偏差如何随智能水平与任务复杂度演变 2026-02-03 · HACKER_NEWS
  38. 模型智能与任务复杂度如何影响对齐偏差 2026-02-03 · HACKER_NEWS
  39. 模型对齐问题如何随智能水平与任务复杂度演变 2026-02-03 · HACKER_NEWS
  40. AI 基准测试新进展：Game Arena 推进评估方法 2026-02-03 · HACKER_NEWS
  41. 发现模型仓库中的隐藏价值 2026-02-02 · ARXIV
  42. 探索面向智能体的推理奖励模型 2026-02-01 · ARXIV
  43. 挖掘模型仓库中的隐藏价值 2026-02-01 · ARXIV
  44. 发现模型仓库中的隐藏价值 2026-01-31 · ARXIV
  45. 发现模型仓库中被忽视的高质量模型 2026-01-30 · ARXIV
  46. 月之暗面发布Kimi K2.5技术报告 2026-01-30 · HACKER_NEWS
  47. Agent评估显示AGENTS.md配置优于技能配置 2026-01-30 · HACKER_NEWS
  48. 基于认知上下文学习构建大模型多智能体系统的信任机制 2026-01-30 · ARXIV
  49. 机器翻译评估中的跨向污染问题研究 2026-01-30 · ARXIV
  50. SokoBench：评估大模型长周期规划与推理能力 2026-01-30 · ARXIV