📡
HamelHusain发布决策模型评估实操指南，含阈值调优与交互式图表
𝕏2026 年 10 月 21 日
📖
Perplexity决策模型每100次评估0.82美分，性能达OpenAI九成
决策模型实操指南2026 年 10 月 20 日
📡
Anjali Ruban 提出 CUE 解决用户模拟偏差
𝕏2026 年 10 月 7 日
📡
评估是阻碍企业AI原生转型的第一因素
𝕏2026 年 10 月 6 日
📡
OpenRoboto 推出机器人操作模型评估基准
𝕏2026 年 9 月 26 日
📡
联合发布Open Axis Benchmark评估工具
𝕏2026 年 9 月 25 日
📡
AI智能体评估新方法仅需原成本38.5%
𝕏2026 年 9 月 24 日
📡
研究者分享AI智能体评估的「Jev-as-a-Judge」方案
𝕏2026 年 9 月 24 日
📡
jev 语义验证工具可低成本快速验证
𝕏2026 年 9 月 20 日
📡
Sean和Daniel发布Jev评估模型新教程
𝕏2026 年 9 月 20 日
📡
百名顶尖AI专家提出AI外部评估要求
𝕏2026 年 9 月 19 日
📡
METR披露机构运作：不接受前沿AI公司捐款
𝕏2026 年 9 月 17 日
📡
@Vtrivedy10（LangChain实验室负责人）发布AI评估38分钟大师课(38分钟)
𝕏2026 年 9 月 15 日
📡
LLM裁判意见一致就该相信吗？
𝕏2026 年 9 月 15 日
📡
Artificial Analysis 成为韩国主权AI项目评估方
𝕏2026 年 9 月 14 日
📡
AI领域evals并不复杂，一文带你理清核心概念
𝕏2026 年 9 月 9 日
📡
AISecurityInst 开源 optstop 评估工具
𝕏2026 年 8 月 28 日
📡
Google DeepMind试点行业首个前沿AI双盲评估
𝕏2026 年 8 月 27 日
📡
编码智能体基准更新，新增奖励作弊评分修正
𝕏2026 年 8 月 26 日
📡
Meta AI 发布 WildArtifactBench 多模态测试框架
𝕏2026 年 8 月 21 日
📡
花99美元用老文字游戏测大模型
𝕏2026 年 7 月 23 日
📡
AI 能力不能用单个数字评分？得换算法了
𝕏2026 年 7 月 3 日
📡
有人推出新评估修复了GSM8k验证错误
𝕏2026 年 6 月 28 日
📡
扩散Transformer生成模型推出了统一评估基准
𝕏2026 年 6 月 24 日
📡
AI安全核心问题：稳健模型行为评估的形式化自动化
𝕏2026 年 6 月 22 日
📡
Hugging Face数据集排行榜能按参数大小筛选了
𝕏2026 年 5 月 21 日
