#基准测试
主题「基准测试」下共有 159 篇日报,第 3 / 3 页。
2026-08-08周六1 篇视频大模型
2026-08-07周五3 篇AI 智能体大语言模型
长任务智能体不只靠更强模型:OneDayAgent统一管理执行链路
OneDayAgent把开放式请求转成可管理的执行流程,并在104项任务上展示跨模型后端复用能力。
来源:Hugging Face Daily Papers越会自证清白,越可能编造用户画像:12 款模型暴露个性化错觉
MirageBench 发现,受测大模型普遍推断无证据支持的用户属性,而模型自评并不能可靠反映这一风险。
来源:Hugging Face Daily PapersQwen3.8 Max 登顶智能体指数:榜首不等于全面领先
Hacker News 热帖显示,Qwen3.8 Max 在 Agentic Index 中位列整体第一,但现有材料不足以判断评测范围、分差与适用边界。
来源:Hacker News2026-08-06周四3 篇科研AI 智能体视频大模型
单图 3DGS 不再绑定像素网格:InfiniSplat 转向表面对齐
InfiniSplat 通过几何引导采样与查询条件隐式解码重排高斯基元,重点改善单图大视角变化下的结构一致性。
来源:Hugging Face Daily Papers教师信号不必逐词全信:PCSD 用持续一致性改进智能体强化学习
PCSD 依据教师偏好信号在局部范围内的持续程度动态加权蒸馏,在保留环境反馈的同时缓解稀疏奖励问题。
来源:Hugging Face Daily Papers视频深研智能体跨过静态图像:先看完整视频,再去开放网络检索
Video-DR 通过分阶段解锁工具与强化学习,要求智能体先完成跨帧视觉定位,再开展开放网络检索。
来源:Hugging Face Daily Papers2026-08-05周三4 篇AI 智能体科研大模型
长任务智能体的关键不只在模型:把任务状态移出上下文单独管理
LongHorizon-Harness 通过外置且独立验证的任务状态与 MEA 循环,改善多个模型在长程任务基准上的表现。
来源:Hugging Face Daily Papers技能生成不再依赖手工管线:Skill-α用强化学习逐步编辑
Skill-α将智能体技能构造改写为可逐步评估的编辑过程,并以回滚奖励依据下游执行效果训练生成策略。
来源:Hugging Face Daily PapersCAD 逆向建模不再一次写完:CADENA 逐步生成并核对几何
CADENA 将网格到参数化 CAD 的逆向工程改为逐步生成与几何核对,并同步开放机械零件评测基准、代码和权重。
来源:Hugging Face Daily Papers稀疏与稠密检索不再分家:UEmbed 用单次因果前向统一多模态表示
UEmbed 以解码器式多模态模型在一次因果前向中同时生成稀疏与稠密表示,并发布 2B、4B、9B 三种规模。
来源:Hugging Face Daily Papers2026-08-04周二2 篇模型评测开放数据
2026-08-02周日2 篇代码智能体大语言模型
2026-08-01周六3 篇科研AI 智能体
把检索单位从论文换成主张:AskChem重构化学文献综合
AskChem将化学论文拆成可追溯的原子主张,并通过分类体系与证据图支持跨论文检索和综合。
来源:Hugging Face Daily PapersGUI 智能体走向真实设备:Qwen-UI-Agent 打通跨端与长任务
Qwen-UI-Agent 统一 GUI 与命令行操作,并以大规模并行强化学习训练跨平台、长流程的真实设备智能体。
来源:Hugging Face Daily Papers把模型训练成机器学习工程师:Frontis-MA1探索递归自我改进
Frontis-MA1将训练所得的程序演化算子接入长程搜索,在受限硬件预算下显著提升机器学习工程任务表现。
来源:Hugging Face Daily Papers2026-07-31周五3 篇大语言模型模型评测
评测不再固定:DecoEvo让求解器与评分规则解耦共进化
DecoEvo以相互独立的目标协同优化求解器与评分规则生成器,缓解开放任务中固定评测信号失效的问题。
来源:Hugging Face Daily Papers多模态上下文学习仍未过关:CLBench-V拆解三类能力断点
CLBench-V用3443个实例评测六个多模态模型,并以三维任务定位上下文利用的具体失效环节。
来源:Hugging Face Daily Papers看得见却管不好身体:HumanCLAW拆分具身决策与运动执行
HumanCLAW用原子技能隔离底层运动误差,并以1218个长程任务揭示VLM的具身自我感知短板。
来源:Hugging Face Daily Papers2026-07-30周四2 篇AI 智能体
2026-07-28周二1 篇AI 智能体
2026-07-25周六3 篇教育 AI模型评测大语言模型
教育大模型不只会做题:K12-KGraph开始评测课程认知
K12-KGraph将教材结构与视觉信息整理为知识图谱,并构建配套评测和训练集,暴露模型在先修关系与知识邻接上的短板。
来源:Hugging Face Daily Papers空间推理不必先翻译成文字:ProVisE 用生成像素统一评测
ProVisE 让图像生成模型直接在像素空间作答,再转换为结构化预测,以缓解空间任务中的答案接口错位。
来源:Hugging Face Daily Papers无需外部教师也能制造监督差异:VCSD用视觉对照强化自蒸馏
VCSD通过比较原图与内容擦除图的下一词分布构造监督,在Qwen3-VL多个规模上优于匹配的在策略自蒸馏基线。
来源:Hugging Face Daily Papers2026-07-24周五1 篇模型评测
2026-07-22周三1 篇AI 智能体
2026-07-19周日2 篇模型评测扩散模型
2026-07-18周六1 篇视频大模型
2026-07-17周五2 篇模型评测基准测试
2026-07-16周四4 篇长期记忆大语言模型模型评测AI 智能体
长期记忆不只是答对问题:MemOps 逐步检查记住、忘记、更新与反思
MemOps 用结构化状态轨迹拆解长对话记忆故障,揭示最终答案正确仍可能依赖陈旧或不一致的内部记忆。
来源:arXiv模型更新未必改写优势格局:Hugging Face 博文信息仍有限
标题暗示新模型延续了既有优势,但缺少正文、评测对象与实验数据,目前无法判断结论的适用范围和可信度。
来源:Hugging Face Blog端到端文档解析登顶公开榜单:OvisOCR2 仅有 0.8B 参数
OvisOCR2 以 0.8B 参数直接将页面图像转为 Markdown,并在两项公开文档解析基准上取得最高成绩。
来源:Hugging Face Daily Papers智能体会记住以后要做的事吗:PM-Bench 最佳方案 F1 仍只有 65.1%
PM-Bench 用模拟七天生活评测智能体的前瞻记忆,要求其在持续活动中识别未来线索并执行延迟意图。
来源:arXiv2026-07-15周三1 篇视觉智能体
没有匹配的日报,换个关键词试试。