#模型评测

主题「模型评测」下共有 202 篇日报,第 2 / 4 页。

2026-09-24周四2 篇AI 智能体强化学习
2026-09-23周三2 篇基准测试AI 安全
2026-09-22周二2 篇大语言模型AI 治理
2026-09-13周日2 篇多模态模型语音 AI
2026-09-11周五2 篇代码智能体模型评测
2026-09-10周四2 篇模型评测扩散模型
2026-09-08周二1 篇AI 智能体
2026-09-06周日1 篇模型评测
2026-09-05周六1 篇AI 生态
2026-09-04周五4 篇AI 智能体大语言模型
2026-09-03周四3 篇大语言模型多模态模型教育 AI
2026-09-02周三5 篇AI 安全大语言模型强化学习科研
2026-08-29周六2 篇模型评测强化学习
2026-08-28周五5 篇AI 智能体教育 AI模型评测语音 AI
2026-08-27周四4 篇AI 智能体大语言模型模型评测多模态模型
2026-08-26周三4 篇AI 智能体视频大模型
2026-08-25周二1 篇模型评测
2026-08-23周日6 篇模型评测大语言模型科研AI 智能体

合同审查自动化仍不可靠:ContractScrub揭示大模型长文本能力边界

模型评测 · 2 分钟

ContractScrub首次系统评测大模型合同终审能力,结果显示模型在术语、引用和语言一致性检查上仍存在明显短板。

来源:arXiv

小模型应为CPU而生:Daedalus-150M用卷积减少长上下文开销

大语言模型 · 2 分钟

Daedalus-150M从CPU单用户逐token推理出发,将卷积与注意力结合,在长上下文下兼顾质量、文件体积与解码速度。

来源:arXiv

海图变更也能自动分级:空间与属性编码提升航行风险识别

科研 · 2 分钟

一项研究将电子海图的复杂矢量变更编码为结构化表格,并结合空间上下文与属性信息,自动判断变更是否涉及关键航行安全风险。

来源:arXiv

让智能体把成功经验留下来:FlowEvo协同进化工作流与技能

AI 智能体 · 2 分钟

FlowEvo在推理时将成功工作流编译为可执行技能并持续复用,通过效用追踪抑制负迁移,提升多项任务表现并减少推理 token。

来源:Hugging Face Daily Papers

法律问法不完整,模型先别急着回答:InsufficiencyBench检验补全能力

模型评测 · 2 分钟

InsufficiencyBench将法律问题中的信息缺失单独设为评测目标,结果显示模型既难找全关键事实,也难避免基于假设仓促下结论。

来源:arXiv

本地模型未必更笨:问题可能出在使用方式与评测方法

大语言模型 · 2 分钟

一篇登上 Hacker News 热帖的讨论提醒开发者,本地大模型的实际体验不佳,未必等同于模型能力不足,也可能与使用和评测有关。

来源:Hacker News
2026-08-22周六6 篇AI 智能体语音 AI科研大语言模型

静态环境也能随智能体进化:EnvHarness用插件重塑训练场景

AI 智能体 · 3 分钟

EnvHarness通过可编程插件改造静态环境,保留原有验证器,并利用黑盒轨迹诊断智能体弱点,自动生成更有针对性的训练环境。

来源:Hugging Face Daily Papers

语音识别评测不能只看分数:关注基准优化如何影响结论

语音 AI · 2 分钟

Hugging Face Blog 发布文章讨论语音识别中的基准优化问题,但材料仅提供标题,具体方法、实验与结论仍无法确认。

来源:Hugging Face Blog

终端任务合成的关键不是生成:让环境、解法与验证器保持一致

AI 智能体 · 2 分钟

FACET通过环境落地、执行验证和定向修复,构建指令、解法与验证器一致的复杂终端任务,为训练终端智能体提供可执行监督。

来源:Hugging Face Daily Papers

多人身份生成不再只靠复制:WithEveryone把身份与布局统一规划

科研 · 2 分钟

WithEveryone通过身份寻址、结构化布局规划和区域监督,提升多人物生成中的身份对应能力,并减少复制粘贴伪影。

来源:Hugging Face Daily Papers

记忆越准确也可能越危险:MemTrapBench揭示大模型认知陷阱

大语言模型 · 2 分钟

MemTrapBench指出,相关且准确的长期记忆仍可能固化推理或扭曲信念,导致模型在当前任务中退化,并提出AdaptiveMem进行缓解。

来源:Hugging Face Daily Papers

科学代码修复仍是难题:SWE-bench Science将失败原因纳入评测

代码智能体 · 2 分钟

SWE-bench Science覆盖20个科学领域,显示代码智能体在科学软件修复上的首要瓶颈并非单纯编码,而是知识、探索、集成与泛化能力。

来源:Hugging Face Daily Papers
2026-08-21周五2 篇视频大模型代码智能体
2026-08-20周四1 篇模型评测
2026-08-19周三2 篇模型评测AI 安全