
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
Socratic-Geo 通过 tightly coupled 的多智能体交互循环,统一了求解器改进和可控图像生成。其核心贡献在于:目标驱动的程序化合成:通过诊断学习者弱点建立生成目标,支持主动自我修正(Reflect-RePI)。多智能体交互框架:紧密耦合合成与学习,Teacher-Solver 交互驱动推理进化。强大的实证结果:在极少种子数据下实现显著改进,并在图像生成上达到开源 SOTA。

AI 狼人杀只是“辩论式评测”的破局起点,这套动态博弈的评测模式,可以无缝迁移到更多真实且复杂的商业与社会场景中,根据规划矩阵,过程透明化、能力多维化、错误可追溯。晓天衡宇AI狼人杀将会在未来尝试更多可能性:多样化游戏配置:支持不同人数、角色组合和规则变体(例如守卫、白痴、狼王),以观察大语言模型在不同信息不对称结构和游戏复杂度下的行为;人机混合对局:允许人类玩家与Agent共同参与,探索人类与大

LLM到底能不能像化学家一样,从分子的表征数据推理出一个完整的分子结构?给出了回答。MolQuest是一个面向分子结构解析的Agent-Based评测基准,以535条真实小分子有机化合物为样本,模型从一个未知样品出发,在多轮交互中自行决定下一步该做哪个实验,调度多种化学分析工具并整合NMR/MS/IR/HRMS等多种表征数据,最终推理出唯一确定的分子结构(SMILES)。

狼人杀竞技场的意义不是为了得出一个“谁是最强模型”的单一结论,而是帮助我们观察模型在复杂互动任务中的能力差异,这些差异本身更值得被看见。欢迎访问👉🏻「晓天衡宇·AI 狼人杀」查看完整对局回放和模型雷达图数据。

最新大语言模型评测榜单已同步上线至晓天衡宇•评测社区官网,欢迎大家访问查看更详细的评测数据👇关注晓天衡宇•评测社区官方账号,获取更多大模型相关知识~

ClinConsensus 是为检验这类能力而构建的大模型评测基准,聚焦复杂临床问答、诊断推理、治疗建议与随访管理等关键能力。它以真实脱敏临床案例为题,将评测重点从“回答是否合理”推进到“回答是否逐条满足临床要求”,旨在检验模型在真实复杂医疗场景中的决策稳定性与输出合规性,探索真实临床使用价值。

最新 8 月大语言模型评测榜单已同步上线至晓天衡宇评测社区官网,欢迎访问查看更详细的评测数据👇关注晓天衡宇•评测社区官方账号,获取更多大模型相关知识~

最新 8 月大语言模型评测榜单已同步上线至晓天衡宇评测社区官网,欢迎访问查看更详细的评测数据👇关注晓天衡宇•评测社区官方账号,获取更多大模型相关知识~

本榜单以FeynmanBench为核心评测基准,基于 2000+ 条标准模型相互作用样本,评估10款顶尖大模型对粒子物理图表的拓扑识别与振幅推导能力。FeynmanBench是一个革新性的基准测试,用于评估大型多模态模型(MLLMs)在图表物理推理和形式化符号理解方面的能力。与传统的视觉问答(VQA)任务主要测试局部信息提取不同,FeynmanBench 通过在费曼图场景中进行多步 diagram

本榜单以Geolocation-Bench为核心评测基准,系统性地对12个主流多模态大模型在定位精度、自校准与综合能力上开展对比评测。Geolocation-Bench是一个评估大型视觉语言模型(VLMs)在复杂地理环境下进行街景图像理解、推理与坐标预测能力的基准测试。与传统基于地标匹配的任务不同,Geolocation-Bench通过高分辨率全景街景图像要求模型直接输出经纬度坐标——这一任务需要









