跳到正文
只看一手#评测/基准

标签

#评测/基准

按发布时间排列的全部收录，按天分组；筛选和搜索都在这一页。

共 18 条 · 更新于 19:17

11/05

星期四1 条

  1. AWS Machine Learning Blog58如何在 Amazon Bedrock AgentCore Evaluations 中接入 Jev 与 Strands Decider 决策模型

11/04

星期三3 条

  1. Together AI Blog58Together AI 发布 Together Compiler，用智能体持续编译推理负载
  2. Hugging Face Blog46CWE-bench v2 发布：100 个安全任务覆盖 91 种 CWE
  3. Hugging Face Blog52AI2 发布 StateBench 基准，测试语言模型在长文档中的状态追踪能力

10/30

星期五1 条

  1. Microsoft Research26微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度

10/28

星期三3 条

  1. AWS Machine Learning Blog58Property Finder 如何修正 Amazon Bedrock 上的评测偏差并选出更优模型
  2. Databricks58Databricks 用 ai_extract 与 MLflow Prompt Registry 建立文档抽取评测闭环
  3. Hugging Face Blog36Ai2 研究：LLM 判断研究想法新颖性可靠吗？

10/21

星期三1 条

  1. Hugging Face Blog32Hugging Face 推出 FairStress：评估 LLM 决策公平性的新基准

10/20

星期二1 条

  1. Hugging Face Blog74ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜

10/19

星期一1 条

  1. OpenAI News20OpenAI 提升 ChatGPT 对低资源编程语言的支持

10/17

星期六1 条

  1. AWS Machine Learning Blog64AWS 用 Amazon Bedrock AgentCore 搭建智能体九阶段评估框架

10/15

星期四2 条

  1. Apple Machine Learning42先规划还是先检索？工具发现架构的规模研究
  2. Google Research36Google Earth AI 地理空间推理智能体：新基准、伙伴测试与早期访问扩展

10/14

星期三1 条

  1. Google AI Blog60Google 发布 Gemini 4 Argon，API 定价每百万输入 token 2 美元

10/13

星期二1 条

  1. Microsoft Research26Microsoft Research 推出 StudentSim：用 AI 学生模拟器评估和改进 AI 辅导

10/07

星期三1 条

  1. Microsoft Research20微软研究院播客：AI 评测中的意外失败能教会我们什么

10/05

星期一1 条

  1. GitHub Blog · AI & ML58GitHub 发布 AI 代码审查开放基准 ReviewBench