研究人员通过实验证明，这种「最佳-N选择」策略会系统性地提高Arena分数，违背了基础的布拉德利-特里模型（Bradley-Terry model）假设。 利益冲突声明：@AiEleuther的lm eval harness可以说是Arena的竞争对手。一些公司使用我们的库来发布提示和脚本以重现他们的结果。我们为用户提供这些选项，以便他们可以进行跨模型的苹果对苹果比较。

作为开源阵营中曾经「最有希望挑战 OpenAI」的旗手，Llama 4 原本承载着开发者与产业界的高度期待。但现在，它却在发布一周内从「高光」跌入「信任危机」，成为大模型竞赛中一次罕见的口碑「滑铁卢」。

作者：Bryan编辑：Cage在上一篇研究图谱中，我们指出医疗领域很可能是 Vertical Agent 最先落地的领域，其中最有代表性的公司之一是 OpenEvidence，一款专为医生设计的 AI 专业诊断 ...

2025年5月，谷歌旗下研究工具NotebookLM迎来重大更新，计划推出名为“Sparks”（火花）的1-3分钟视频概览功能，其中10%内容由AI生成。这一创新将进一步整合Gemini2.5 chatbot和Deep Research报告功能，为用户提供从文档到短视频的智能化内容创作体验。AIbase综合最新社交媒体动态，深入解析“火花”视频概览的技术亮点及其对AI内容生成领域的深远影响。

这一消息引起了业界广泛关注。 腾讯混元大模型在近期的一次重要评测中表现出色，成功跻身全球Chatbot Arena榜单的前15名。该榜单通过用户匿名互动 ...

今天，GPT-4.5 模型首次亮相 Chatbot Arena，在大多数类别中均排名第一。 在以下类别中，GPT-4.5 均名列榜首，并在"Multi-Turn"类别中遥遥领先。 GPT-4.5 还在 ...

Meta AI wordt vooralsnog alleen als een chatbot beschikbaar voor Europese gebruikers, waarmee bijvoorbeeld een reis gepland kan worden of vragen beantwoord kunnen worden. De chatbot is in zes ...

Meta vindt dat het goed is om gebruikers van WhatsApp te voorzien van de AI-chatbot, die gebaseerd is op Llama 4. Dat zegt de techreus in een reactie aan de Britse omroep BBC.Ook kanalen en status ...

Nederlandse gebruikers van WhatsApp zien sinds deze week een AI-chatbot in de interface. Die chatbot kan niet in groepen en leest geen berichten mee. Hij werkt niet op de desktopversie van WhatsApp.

In plaats van eindeloos te zoeken op titels of acteurs, kun je straks simpelweg tegen de Netflix-chatbot zeggen: „Ik wil een luchtige, vermakelijke film kijken.” Vervolgens krijg je direct een ...