AI在线 AI在线

评测

李飞飞团队提出世界模型基准：“世界生成”能力迎来统一评测，3D/4D/视频模型同台PK

李飞飞团队提出世界模型基准：“世界生成”能力迎来统一评测，3D/4D/视频模型同台PK
世界模型领域最新进展，要比拼“世界生成”了。 李飞飞吴佳俊团队提出了全面评测基准WorldScore，涵盖了三大类评估指标，动态静态都有涉及，其数据集中包含了3000个测试样例。 并且，WorldScore将3D场景生成、4D场景生成和视频生成三类模型的评估，统一到了一起。
4/10/2025 9:10:00 AM
量子位
原有的模型评测基准OUT了！12岁高中生建立了一个网站， 让AI模型发起 Minecraft 挑战

原有的模型评测基准OUT了！12岁高中生建立了一个网站， 让AI模型发起 Minecraft 挑战
编辑 | 言征出品 | 51CTO技术栈（微信号：blog51cto）由于传统的AI 基准测试技术已被证明不够充分，AI 开发者开始采用更具创造性的方式来评估生成式 AI 模型的能力。 对于一组开发者来说，这就是微软旗下的沙盒建造游戏 Minecraft。 Minecraft Benchmark （或 MC-Bench）网站是合作开发的，目的是让人工智能模型在面对面的挑战中相互竞争，用 Minecraft 创作来回答提示。
3/21/2025 1:05:18 PM
言征
智源发布FlagEval“百模”评测结果 丈量模型生态变局

智源发布FlagEval“百模”评测结果 丈量模型生态变局
2024年12月19日，智源研究院发布并解读国内外100余个开源和商业闭源的语言、视觉语言、文生图、文生视频、语音语言大模型综合及专项评测结果。 相较于今年5月的模型能力全方位评估，本次智源评测扩展、丰富、细化了任务解决能力内涵，新增了数据处理、高级编程和工具调用的相关能力与任务；首次增加了面向真实金融量化交易场景的应用能力评估，测量大模型的收益优化和性能优化等能力；首次探索基于模型辩论的对比评估方式，对模型的逻辑推理、观点理解、语言表达等核心能力进行深入分析。 智源评测发现，2024年下半年大模型发展更聚焦综合能力提升与实际应用。
12/19/2024 6:00:00 PM
推理水平对标OpenAI o1！阿里云通义开源最新推理模型QwQ

推理水平对标OpenAI o1！阿里云通义开源最新推理模型QwQ
11月28日，阿里云通义团队发布全新AI推理模型QwQ-32B-Preview，并同步开源。 评测数据显示，预览版本的QwQ，已展现出研究生水平的科学推理能力，在数学和编程方面表现尤为出色，整体推理水平比肩OpenAI o1。 QwQ（Qwen with Questions）是通义千问Qwen大模型最新推出的实验性研究模型，也是阿里云首个开源的AI推理模型。
11/28/2024 5:31:00 PM
新闻助手
CAIL 2024 | 中国法律智能技术评测正式开启，诚邀您参与！

CAIL 2024 | 中国法律智能技术评测正式开启，诚邀您参与！
评测简介近年来，随着以裁判文书为代表的司法大数据不断公开，以及自然语言处理技术的不断突破，如何将人工智能技术应用在司法领域，辅助司法工作者提升案件处理的效率和公正性，逐渐成为法律智能研究的热点。中国法律智能技术评测CAIL(Challenge of AI in Law)旨在为研究者提供交叉学科的学术交流平台，推动自然语言处理、智能信息检索等人工智能技术在法律领域的应用，共同促进中国法律智能技术的创新发展，为科技赋能社会治理作出贡献。为了促进智能技术赋能司法，实现更高水平的数字正义，在最高人民法院和中国中文信息学会的指导下，从2018年起，CAIL已连续举办了六届中国法律智能技术评测，先后吸引了来自海内外高校、企业和组织的近5000支队伍参赛，成为中国法律智能技术评测的重要平台。
10/14/2024 2:10:00 PM
新闻助手
中国移动、电子标准院及 16 家重点央企发布《通用大模型评测标准》

中国移动、电子标准院及 16 家重点央企发布《通用大模型评测标准》
感谢AI在线从中国移动官方获悉，在今天召开的 2024 中国移动全球合作伙伴大会期间，中国移动联合电子标准院及 16 家重点央企共同开展大模型评测体系建设工作，并发布《通用大模型评测标准》。据介绍，该标准是大模型评测体系建设的重要成果，为产业界遴选优质大模型提供重要参考依据。第一阶段将围绕通用领域和 4 个重点行业领域，从评测标准制定、评测基地建设、评测试点应用等方面开展工作。
10/12/2024 2:50:53 PM
清源
贾佳亚团队联手剑桥清华等共推评测新范式 一秒侦破大模型“高分低能”

贾佳亚团队联手剑桥清华等共推评测新范式 一秒侦破大模型“高分低能”
颠覆过往大模型评测标准，最新、最全、最权威的测评数据集MR-Ben来了！这是继今年4月发布堪称GPT-4 DALL- E-3的王炸产品超强视觉语言模型Mini-Gemini后，港中文贾佳亚团队再次提出的极具代表性的作品。在MR-Ben的“监督”下，大模型不仅要像学生那样会答题，还要像老师那样会阅卷，真实的推理能力无所遁形。MR-Ben细致地评测了不少国内外一线的开源和闭源模型，如GPT4-Turbo、Cluade3.5-Sonnet、Mistral-Large、Zhipu-GLM4、Moonshot-v1、Yi
7/18/2024 3:38:00 PM
新闻助手
有效评估Agent实际表现，新型在线评测框架WebCanvas来了

有效评估Agent实际表现，新型在线评测框架WebCanvas来了
当 LLM Agent 踏入真实的在线网络世界时，它们的表现能否如预期般游刃有余？
7/17/2024 3:00:00 PM
机器之心
智源更新大模型排行榜：豆包大模型“客观评测”排名国产第一

智源更新大模型排行榜：豆包大模型“客观评测”排名国产第一
6月中旬，智源研究院旗下的 FlagEval 大模型评测平台发布最新榜单：在有标准答案的“客观评测”中，GPT-4 以76.11分在闭源大模型中排名第一；Doubao-Pro（豆包大模型）以75.96分排名第二，同时也是得分最高的国产大模型；其后依次是 ERNIE 4.0、Baichuan3、Moonshot-v1。在开放问答等“主观评测”中，Doubao-Pro 同样排名第二，得分超过 GPT-4o 和 GPT-4。图：豆包大模型在 FlagEval 客观评测中获综合评分第二（2024年6月）FlagEval 大
6/19/2024 9:30:00 AM
新闻助手
豆包大模型披露评测成绩，较上一代“云雀”提升19%

豆包大模型披露评测成绩，较上一代“云雀”提升19%
近日，豆包大模型在火山引擎原动力大会上正式发布。以超低价格掀起大模型降价潮的同时，豆包的模型能力也引发行业关注。在火山引擎的一份产品资料中，豆包模型团队公布了一期内部测试结果：在 MMLU、BBH、GSM8K、HumanEval等11个业界主流的公开评测集上，Doubao-pro-4k 的总分为76.8分，相比上一代模型云雀Skylark2 的64.5分提升了19%，也优于同期测试的其他国产模型。此次评测在今年5月完成，主要包括豆包通用模型-pro、云雀Skylark2 在内的九款国产大语言模型。除了云雀Skyla
5/24/2024 3:56:00 PM
新闻助手
最新中文大模型测评：百川智能 Baichuan 3 国内第一

最新中文大模型测评：百川智能 Baichuan 3 国内第一
感谢IT之家从百川大模型官方公众号获悉，今日国内大模型评测机构 SuperCLUE 发布了《中文大模型基准测评 2024 年度 4 月报告》，报告选取国内外具有代表性的 32 个大模型 4 月份的版本，通过多维度综合性测评，对国内外大模型发展现状进行观察与思考。报告显示，百川智能的 Baichuan 3 在国内大模型中排名第一，智谱 GLM-4、通义千问 2.1、文心一言 4.0、Moonshot (Kimi) 等大模型位列其后。从全球范围来看，国外同行的 GPT-4、Claude3 得分更胜一筹。SuperCLU
4/30/2024 7:43:20 PM
远洋
国内首个网络安全大模型评测平台SecBench发布

国内首个网络安全大模型评测平台SecBench发布
2024年1月19日，业界首个网络安全大模型评测平台SecBench正式发布，该平台由腾讯朱雀实验室和腾讯安全科恩实验室，联合腾讯混元大模型、清华大学江勇教授/夏树涛教授团队、香港理工大学罗夏朴教授研究团队、上海人工智能实验室OpenCompass团队共同建设，主要解决开源大模型在网络安全应用中安全能力的评估难题，旨在为大模型在安全领域的落地应用选择基座模型提供参考，加速大模型落地进程。同时，通过建设安全大模型评测基准，为安全大模型研发提供公平、公正、客观、全面的评测能力，推动安全大模型建设。行业首发，弥补大模型在
1/19/2024 2:11:00 PM
新闻助手
中文大语言模型赶考：商汤与上海AI Lab等新发布「书生·浦语」

中文大语言模型赶考：商汤与上海AI Lab等新发布「书生·浦语」
今天，一年一度的高考正式拉开帷幕。
6/7/2023 2:48:00 PM
机器之心
  • 1