AI评测

找到 3 篇关于此标签的文章

DeepMindAI评测

DeepMind 试点'双盲'AI 评测：人类评委也不知道在评谁

DeepMind 本周推出首个'双盲'AI 评测方法。评委不再知道自己在评哪家模型——这套路来自医学临床试验，目的是消除品牌光环偏差，让模型比较更公平。

AI评测benchmark

AI 考试满分但活干不好 — 业界开始追问评测到底在测什么

大模型在 benchmark（标准测试）上刷出高分，落地却频频翻车。本期我们看一个正在升温的讨论：行业花几年建起的评测体系，可能从没在测「能不能干活」，只在测「记性好不好」。

Qwen通义千问

Qwen 27B 真改了一次 Git 仓库 — 但更值得抄的是评测方法

开发者用真实 Git 仓库测了 Qwen 27B 模型，发现它能改代码、跑测试、甚至从错误里恢复。这件事真正值得关心的不是结果，而是这份评测方法本身够不够硬——6 条标准可能是中国 AI 行业目前最缺的东西。