AI工具与模型HOT精选全部
#benchmark

#benchmark

共 34 条 · 全部主题 →

The Decoder新评分75

Moonshot AI 让 Kimi 从编程转向科学研究

月之暗面不再追逐编程基准分数,转而让 Kimi 模型面向生物、化学与制药研究,因为科学任务对模型能力的要求更高。

11月17日 02:52

推荐理由:涉及模型与基准 · 24 小时内发布

arXiv cs.AI评分70

从行为轨迹理解编程智能体

这项工作不再只看编程智能体任务成没成,而是分析它的行为轨迹,揭示成功与失败是怎么产生的。

11月16日 13:00

推荐理由:涉及智能体与基准 · 与本主题相关

arXiv cs.AI评分70

AI 风险行为基准测试

这项研究在不同场景和任务要求下评估大模型的冒险倾向,系统地衡量模型是偏保守还是偏激进。

11月16日 13:00

推荐理由:涉及模型与大模型 · 与本主题相关

arXiv cs.AI评分70

智能体编码任务强化学习的跨基准迁移

这项研究发现,编码智能体常在最后一公里掉链子:功能大体建成却丢了需求或测试不全,而在编码任务上做的强化学习可以在基准之间迁移。

11月16日 13:00

推荐理由:涉及智能体与基准 · 与本主题相关

KDnuggets评分55

Abacus.AI 的 Smaug 模型在哪方面提升最大

Abacus.AI 把同一套微调方法用在三个差异很大的开源权重模型上,提升落点各不相同,这比单一基准分数更能说明问题。

11月12日 02:00

推荐理由:涉及模型与基准 · 与本主题相关