#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
智能体竞争转向工具链:HarnessDev评估模型能否构建并进化执行框架
HarnessDev把评测对象从任务答案转向可运行的智能体执行框架,考察模型创建和迭代工具链的能力及成本。
来源:Hugging Face Daily Papers智能体评测可以提前收场:EarlyEval在结果显现时终止任务
EarlyEval通过中间行为预测智能体成败,在保持较高准确率的同时减少执行步数与上下文消耗,降低重复评测成本。
来源:Hugging Face Daily PapersGPT-6 Astra达到网络安全关键级别:OpenAI更新安全概览
OpenAI称GPT-6 Astra是目前能力最强的广泛部署模型,并首次在准备度框架下达到网络安全能力的关键级别。
来源:OpenAI金融审阅提速近四成:Legora用GPT-6 Astra数分钟检查41份文件
OpenAI称,Legora在金融审阅流程中借助GPT-6 Astra数分钟检查41份文件,并找出预先埋设的全部四处错误。
来源:OpenAI2026-09-03周四3 篇大语言模型多模态模型教育 AI
企业自托管模型找到了规模化路径:用三路后训练统一复杂请求
面对数据驻留和 GPU 碎片化问题,研究者从生产流量出发,分别优化指令遵循、函数调用与任务分布,再合并为单一模型。
来源:Hugging Face Daily Papers自动驾驶大模型走向统一:Qwen-Drive融合感知问答与规划
Qwen-Drive-1.0在预训练视觉语言模型架构上整合三维感知、视觉问答和运动规划,探索通用视觉语言能力与驾驶能力的统一。
来源:Hugging Face Daily Papers个性化辅导需要可复现的学生:StudentSim训练模拟器
StudentSim用 pooled training 加 per-student specialization,把稀疏学习记录转成能复现学生行为并响应辅导的个性化模拟器。
来源:Hugging Face Daily Papers2026-09-02周三5 篇AI 安全大语言模型强化学习科研
Astra首次触及关键网络安全门槛:OpenAI同步加强发布防护
Astra成为OpenAI首个达到“关键”网络安全能力门槛的模型,其发布将配套更强防护措施,但具体评测与实施细节尚未披露。
来源:OpenAI基准测试不等于模型能力:BenchMIRT追问评测到底测到了什么
Hugging Face Blog介绍 BenchMIRT,围绕大语言模型基准测试究竟测量什么展开讨论;由于材料未提供摘要,本文仅作问题导向的保守解读。
来源:Hugging Face BlogOPD未必在蒸馏教师:低概率词抑制可能才是提升来源
研究发现OPD中的教师监督存在明显噪声,模型提升主要来自抑制低概率词,并据此提出无需教师的熵自适应方法OPSA。
来源:Hugging Face Daily Papers论文可变成科研规划训练场:PaperGym 用评分细则降低答案泄漏
PaperGym 从论文不同章节拆分问题与评分标准,并以自教师和强化学习两阶段训练提升科研计划生成能力。
来源:Hugging Face Daily Papers少激活不等于少能力:Qwen3.8-Next重做稀疏模型架构
Qwen3.8-Flash-Next以混合注意力、门控残差和外置n-gram表,在降低训练与激活成本的同时保持基准竞争力。
来源:Hugging Face Daily Papers2026-08-29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
智能体数据不应只追求规模:ACE 框架重构生成质量标准
论文以统一的数据对象和 ACE 视角,梳理智能体交互数据在准确性、复杂度与多样性上的生成逻辑。
来源:Hugging Face Daily Papers随机研究把 ChatGPT 带进真实作业:千名学生的收益仍待完整数据验证
OpenAI 介绍一项覆盖逾千名学生的随机研究,考察 ChatGPT 与批判性思维训练如何影响真实大学作业表现和原创性。
来源:OpenAI视频生成离真正世界模型还有多远:PAWBench检验概率对齐
PAWBench把世界模型评测从单条视频是否合理推进到重复生成的分布是否正确,结果显示现有系统仍难同时覆盖多种有效行为并匹配参考概率。
来源:Hugging Face Daily Papers视频生成模型会推理吗:VGI-Bench用27项任务检验视觉智能
VGI-Bench针对视频生成模型的视觉推理能力设计27项任务,结果显示当前系统虽能解决部分任务,但整体可靠性仍明显不足。
来源:Hugging Face Daily Papers实时语音交互需要双脑记忆:VoiceMem兼顾事实、情绪与低延迟
VoiceMem以信息左脑和情绪右脑构建流式记忆系统,在检索准确性、人格建模与实时延迟之间取得平衡。
来源:Hugging Face Daily Papers2026-08-27周四4 篇AI 智能体大语言模型模型评测多模态模型
智能体可靠性仍可工程化提升:AutoSaddler自动优化任务执行框架
AutoSaddler把智能体框架改进转化为离线学习问题,利用失败轨迹诊断、代码补丁和验证选择提升长程任务表现。
来源:Hugging Face Daily Papers新模型将公开权重:Z.ai确认Ox Alpha属于GLM系列
Z.ai确认Ox Alpha并非独立品牌或内部代号,而是GLM系列新模型,并计划公开权重,引发开发者社区关注。
来源:Hacker News掩码正确不等于因果安全:用双前向审计定位序列模型信息泄漏
论文提出无需训练和梯度的前缀不变性审计,指出注意力掩码检查可能漏掉扫描或归一化引起的未来信息泄漏。
来源:Hugging Face Daily Papers多模态嵌入进入实用阶段:WeMM覆盖五类内容并部署微信多场景
腾讯发布WeMM-Embedding系列,覆盖文本、图像、视频与视觉文档,2B已超越此前8B开源基线,9B在MMEB-v2取得80.6分。
来源:Hugging Face Daily Papers2026-08-26周三4 篇AI 智能体视频大模型
复杂任务的关键不只是推理:Apodex 1.1扩展可验证智能体能力
Apodex 1.1从环境扩展与智能体协同两方面训练长期任务能力,强调状态维护、失败恢复和可验证交付。
来源:Hugging Face Daily Papers手机智能体评测不能只看点屏:MobilePA-Bench转向真实规划约束
MobilePA-Bench以可执行沙箱、实时应用状态和212种工具,评估移动智能体在协作、记忆与技能调用中的规划可靠性。
来源:Hugging Face Daily Papers把脚手架变成能力放大器:Prime Agent 支持长程智能体持续改进
Prime Agent 以持久化执行环境、递归子智能体和统一验证机制,减少脚手架故障对长程任务评测的干扰。
来源:Hugging Face Daily Papers让世界模型记住走过的地方:ReWorld兼顾实时交互与长期记忆
ReWorld将短时控制与长期记忆分开训练,并用有界缓存和位姿检索压缩历史,在多类世界中实现四步实时视频生成。
来源:Hugging Face Daily Papers2026-08-25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
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
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
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
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
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
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 News2026-08-22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
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
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
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
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
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
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 Papers2026-08-21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
没有匹配的日报,换个关键词试试。