实体
EVA-Bench Data 2.0
EVA-Bench Data 2.0
PulseAugur coverage of EVA-Bench Data 2.0 — every cluster mentioning EVA-Bench Data 2.0 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 1
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
AI模型评估面临复杂性挑战，需要关注现实世界应用
随着AI系统的复杂性日益增加，从简单的任务性能转向复杂的决策链，AI模型评估正变得越来越困难。虽然基准测试和排行榜能提供一些洞察，但它们往往无法捕捉现实世界的产品需求，可能导致模型在部署时出现故障。有效的评估需要测试任务成功率、约束遵守情况以及安全失效行为，最好能结合现实世界的生产数据，以防止代价高昂的用户端错误。
-
NVIDIA、ServiceNow、JetBrains、Dharma-AI发布新AI模型和工具
NVIDIA发布了Nemotron 3.5 Content Safety，一个支持可定制策略和全球合规的企业级多模态安全模型。ServiceNow-AI推出了EVA-Bench Data 2.0，一个扩展的AI代理评估基准，涵盖工具使用、推理和错误恢复。JetBrains推出了Mellum2，一个为软件开发任务优化的12B参数MoE模型，而Dharma-AI发布了将Direct Preference Optimization从聊天机器…