3 项研究发布
相关发布
评测方法 一个客观的代码重构评估体系是如何构成的
以行为保持和结构静态检查为核心，用真实开源代码提交做数据、隔离环境测试、用 tree-sitter 做语法树匹配，避开大模型当裁判带来的主观漂移，精准测量大模型的代码重构能力边界。
洞察 题面写得再绕，模型照样秒解——怎么让搜索题真正变难搜索智能体训练需要难度适中的题：模型不能秒解，但认真搜索可解。我们设计了 Hardener-Solver-Critic 多智能体闭环，用模型真实求解行为增强题目难度，在 BrowseComp 风格合成题上将 62% 的样本推入了可训练区间。
洞察 如何构建面向文生图模型的多模块协同评估框架以 LLM-as-a-Judge 为核心，通过 OCR/VQA/CLIP/IQA/HP 五模块协同校准，突破单一指标 benchmark 局限，全面捕捉现代文生图模型的真实能力边界。