7月24日，苹果公司与剑桥大学合作发布一项新研究，提出一种改进AI评审质量的系统。该系统通过引入外部验证工具，提升AI在复杂任务（如长篇事实核查、高级编码和数学问题）中的评估能力。研究人员设计了一个自主评估代理，可判断是否需使用工具，并完成初始评估、工具调用和最终决策三步流程。这些工具包括网络搜索的事实核查、代码执行验证以及数学运算检查。若无需工具，则使用基线大语言模型注释器处理简单任务。此方法旨在克服人类评审的时间限制、疲劳及偏见，同时解决AI在复杂任务上的局限性。

首个奖励模型评分基准！清华复旦港科大联合攻克AI评委“偏科” 模型胡乱论证“1+1=3”，评测系统却浑然不觉甚至疯狂打Call？是时候给奖励模型打个分了！ 来自清华大学、复旦大学和香港科技大学的研究团队，联合发布基准测试RM-BENCH，对大语言模型的“认知敏锐度”发出挑战。 RM-BENCH首次系...