大模型评估排障指南 | 关于可复现性
"评估" 相关文章
从零开始搭建RAG系统系列（十二）：RAG系统评估及测评
人类高考“封王”的大模型，离真正的“AI状元”还有多远？
AutoJudger｜一个多模态大模型的自主评测智能体
智能的路径
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
姚顺雨提到的「AI下半场」，产品评估仍被误解
每周AI论文速递（250526-250530）
Incorrect Baseline Evaluations Call into Question Recent LLM-RL Claims
It's hard to make scheming evals look realistic for LLMs
It's really hard to make scheming evals look realistic for LLMs
大模型进入 RL 下半场，模型评估为什么重要？
AI 月报丨大模型下半场与产品成败的关键；拥有更多用户可能会让模型更强；全球算力投资又凉了一些
Notes on the Long Tasks METR paper, from a HCAST task contributor
向量搜索：从入门到“踩坑”——工程师必须避开的 8 个陷阱
AI 的下半场：质疑评估，聚焦真实世界
AI 时代进入了下半场
The Second Half
《AI 的下半场》 最近非常重要的一篇文章 来自一线的 OpenAI 的 Agent 研究员 yaoshunyu 文中提出了一些反共识的 Inshgts： - 强化学习最重要的不是算法，而是先...
万字解读OpenAI产品哲学：先发布再迭代、不要低估模型微调和评估
