随着大语言模型在多步推理任务中的能力不断提升，Chain-of-Thought（CoT）推理已成为分析与改进模型行为的重要工具。然而，相比推理方法本身，如何可靠地评估模型生成的推理过程这一问题长期缺乏统一答案。本文系统梳理了 CoT 推理评估方法的发展脉络，重点总结近年来代表性的无参考评估指标与基准，并进一步讨论不同自动评估方法与人类判断之间的一致性问题。

LLaVA 是一种大型多模态模型，通过指令微调将视觉编码器与大型语言模型（LLM）相结合，显著提升了视觉和语言任务的性能，尤其在多模态对话和指令遵循方面表现出色。

SAM 2是一个能够处理图像和视频的统一模型，通过提示驱动的分割任务和流式记忆机制，在视频分割中减少交互次数并提高准确性，同时在图像分割中显著提升速度和精度。

FlashMLA是DeepSeek专为H架构的GPU设计的的高效MLA解码内核，优化了可变长度序列的多头潜在注意力机制。官方开源代码链接：https://github.com/deepseek-ai/FlashMLA

Omni-Scene： 采用 Omni-Gaussian 表示法，通过结合基于像素和基于体积高斯表示的优势，实现了以自我中心的稀疏视图场景下高保真的三维重建，并支持多模态三维场景生成。

FlashMLA是DeepSeek专为H架构的GPU设计的的高效MLA解码内核，优化了可变长度序列的多头潜在注意力机制。官方开源代码链接：https://github.com/deepseek-ai/FlashMLA

DeepGEMM 是一个专为 NVIDIA Hopper 架构设计的高效 FP8 矩阵乘法库，支持普通和混合专家模型（MoE）分组矩阵乘法，通过简洁的实现和即时编译技术，实现了高性能和易用性。官方开源代码链接：https://github.com/deepseek-ai/DeepGEMM