大模型事实性错误常被简单归因为训练知识不足，但谷歌研究团队通过知识画像框架对Gemini 3、GPT-5等先进模型进行分析后发现，模型对事实知识的编码已接近饱和，真正的瓶颈出现在参数化回忆阶段。也就是说，模型并非...

在生产环境中部署基于大语言模型（LLM）的智能体（Agent）时，如何准确评估其在复杂、长上下文任务中的表现一直是个难题。传统LLM评测员（Judge）在处理涉及多步推理、状态验证和动态调整的Agent轨迹时，常出现事实...

OpenAI近日正式推出GPT-5.5 Instant，并已将其部署为ChatGPT的默认模型。这一更新并非单纯的参数规模提升，而是针对模型在实际应用中的关键痛点进行了重大优化。首先，新版模型在事实准确性上实现了显著飞跃，通过改...

近期，AI评测领域引发了一场关于评估标准与行业健康发展的激烈讨论。知名在线AI模型排行榜LMArena被批评为一个“破碎的系统”，其核心问题在于评估机制存在严重缺陷。该平台通过用户快速投票进行排名，但用户往往仅根...

人工智能研究机构OpenAI正式发布了其最新的前沿模型GPT-5.2，该模型被定位为专为专业知识工作和长期运行的智能体（agents）而设计的最先进系统。根据官方介绍，GPT-5.2在多个关键领域树立了新的性能标杆，包括代码生...

MedLFQA是一个全新的基准数据集，旨在提升大规模语言模型在医疗领域中长篇回答的事实准确性。该数据集通过提供高质量的训练数据，帮助改进语言模型的回答精度。与此同时，OLAPH框架通过自动评估和偏好优化，训练大规...