行业与实践 · 标签「阿里」

最新优先最早优先

查看全部

研究与基准测试2026-10-098 分钟
Hard20 从 26.25% 到 85.00%：阿里用五个基准测回放时干预
阿里 Token Hub 的 RTI 在回放时把失败轨迹改成成功轨迹。Qwen3-8B 上，相对 GRPO，Telecom 的 Pass@1 高 24.56 个百分点，导航高 22.00。Qwen3.5-9B 的 Hard20 从 26.25% 到 85.00%。去掉完整性检查后，导航掉到 26.00%，低于 GRPO 的 35.33%。
研究与基准测试2026-09-258 分钟
未知不能当成满足：阿里用离线匹配和线上 A/B 测工业采购模型
阿里 IndustryLLM 报告把问句结构化和商品资格拆开。No-Think 下精确匹配高 2.97 个百分点，95% 区间 [2.11, 3.86]。18 天线上 A/B 的 GMV +4.25%，但模型和引擎绑在一起，拆不出检查点因果。
研究与基准测试2026-09-248 分钟
MobilePA 总分 77.05，技能项仍低于 93.25：阿里把手机规划的模型和 Harness 拆开测
27B 加 Harness 后 MobilePA 总分 77.05，技能项 86.25，低于表内 93.25。35B-A3B 的总分只有 69.91。每千条 2.41 美元不含输入和 Harness。
研究与基准测试2026-09-218 分钟
混合执行成功率 91.04%：阿里用 134 道座舱任务评语音智能体
134 例座舱任务里，混合执行成功率 91.04%，直接调工具 72.39%，全部委托 80.60%。都做成功的回合上，总体时延 4.729 秒，相对这两档低 26.73% 和 30.91%。短任务和多步并不是都最快。
研究与基准测试2026-09-1610 分钟
测试集宏平均 F1 为 0.615：阿里参与的基准用淘宝行为核验消费价值
5440 段淘宝购买过程，测试集 544 段由专家从零标注。B2V-Verifier 宏平均 F1 0.615，基线最高是 GPT-5 的 0.417。引言写的大约 34% 没有落到表上的某一格。
研究与基准测试2026-09-079 分钟
同一套 API 下四项公开集最低：阿里评 Qwen-Audio-3.0-ASR
B 栏里 FLEURS 中英和 LibriSpeech 两项最低，AISHELL 与 WeNetSpeech 不是。16 种方言宏平均 CER 9.40%。400 毫秒流式的中文 CER 9.24%，非流式 8.03%。
研究与基准测试2026-08-169 分钟
固定微调把 IFEval 打掉 7.7 分：淘宝直播用四套尺子看模型能不能跟着 Harness 改
978 条真实直播间上，HAT 平均分 94.8，基座 80.3。固定 Harness 微调把 IFE-P 从 81.5 打到 73.8。线上七天 GMV 人均 +5.54%，没有置信区间。
研究与基准测试2026-08-118 分钟
同一模型 SEM-F1 从 11.57% 到 25.10%：阿里把代码评审的自由探索收成三道门
阿里 OpenCodeReview 在 AACR-Bench 的 200 个 PR、1505 条专家评论上，六个底座的 SEM-F1 是 17.90% 到 25.10%。同一 Claude-4.6-Opus 在 Claude Code 上只有 11.57%。召回多数行更低。相对 Claude Code 的 Token 大约少 5 到 15 倍，相对 Codex 只有约 1.24 倍。
研究与基准测试2026-07-3111 分钟
最好的配置只有人类净资产的 27.3%：阿里 MerchantBench 用 365 天订单评长程一致
48 次运行，每次 365 个模拟日。Hermes 上 Qwen3.7-Max 的终局净资产 59.46 千元，人类是 217.61。这格的变异系数 55.1%。SWR 最高的模型行并不是净资产最高的行。
研究与基准测试2026-07-298 分钟
告警能报，静默入侵和收尾计划不行：阿里 SecRespond 评失陷后的响应
10 个隔离云主机快照，280 个检查点。最强的 Claude Opus 4.7 检测和计划平均只有 72.4%，而且没有任何模型在任何一个靶场上同时做完检测和处置。
研究与基准测试2026-07-217 分钟
HR@1000 从 0.7735 到 0.8651，线上 GMV 涨 1.64%：淘宝搜索怎么测生成式检索
相对 FORGE，HR@1000 从 0.7735 到 0.8651，差 9.16 个百分点。强化学习那一行 HR@5000 更高，但没有上线。线上 1% 流量、38 天，GMV +1.64%，没有绝对值。
研究与基准测试2026-07-139 分钟
1% 流量 GMV 高 1.06%：淘宝把成交排序写进生成式 DocID
3 亿商品上，CRID 站内转化 HR@20 比最强对照高 3.72 个百分点，HR@1000 高 9.10 个百分点。1% 流量、30 天：IPV +0.18%，订单 +0.54%，GMV +1.06%。站内深位 HR@1000 相对最强向量检索低 3.02%。
研究与基准测试2026-07-088 分钟
真机平均从 38.8% 到 50.0%：阿里用 67 个任务测 GeoProp
阿里达摩院的 GeoProp 只改本体感觉怎么接进策略。仿真 63 个任务上，ResNet-18 总平均从普通接法到 75.3%，高 8.5 个百分点。真机四项各 20 次，Diffusion Policy 平均从 38.8% 到 50.0%。物体挡住投影点时，Box Close 的 ResNet 从 48 降到 40。