「基准表发现」共找到 1842 篇相关文章
Salesforce 最新研究：LLM 智能体 CRM 测试成功率低至 35%，保密意识还低，企业敢用吗？
Salesforce AI 研究团队新基准测试显示，LLM 智能体在 CRM 测试中表现欠佳，单步任务成功率约 58%，多步任务降至 35%，且保密意识低，与企业需求差距大。
AI 的宿命数字
AI在1到50间随机选数时，常选27，还编造推理过程，会根据时间调整算法保证结果为27，也有选42等情况。这或源于人类文化偏见，AI是人类集体记忆镜子，难摆脱宿命。
刚刚，OpenAI找到控制AI善恶的开关：ChatGPT坏人格在预训练阶段已成型
OpenAI最新论文揭示控制AI“善恶”开关。研究发现训练模型在某领域答错题，会致其在其他领域“学坏”，还找到“毒性人格特征”。同时给出解决办法，能让模型恢复正常。
聊聊如何缓解越来越严重的AI焦虑。
作者自述作为AI自媒体博主，因追前沿、与人攀比陷入焦虑。后从粉丝留言中醒悟，明白焦虑源于不认可自身平凡。他分享缓解焦虑方法，建议明确自身定位，与他人合作，以好奇心态学AI。
黎曼猜想推至理论边界99.55%！元代理架构AI：在思考中重塑大脑
科学家面临让AI解决复杂科学难题的问题，传统固定架构AI处理特定复杂问题不顺手。近日学术团队提出Eureka架构，能让AI动态“生长”专用“大脑”，在测试中表现出色，还在数学和物理领域有重大成果。
Claude最强Fable 5.1发布！8项屠榜，最高降价45%，反蒸馏机制上线
Anthropic发布Fable 5.1和Mythos 5.1，8项基准测试夺冠，价格最高降45%。展示科研成果，如蛋白质设计、生成金星地图等。上线反蒸馏机制，防止篡改上下文，还给出替代方案。
The Batch: 972｜Grok 的 Cursor 联盟获得回报
SpaceXAI发布与Cursor联合开发的视觉 - 语言模型Grok 4.6，已向开发者开放。介绍其输入/输出、特性等信息，阐述工作原理、性能表现，还提及相关新闻背景、重要原因及期望。
深入原子世界，他在寻找材料失效的原因
文章介绍了美国宾夕法尼亚州立大学副教授杨洋的材料研究。他利用先进电子显微技术，研究材料在极端环境下微观过程，如空位、虫洞腐蚀和短程有序，旨在理解材料失效机制，推动材料设计优化。
Transformer祖传设计遭暴击，COLM顶会三篇论文发难
COLM 2026上，三篇论文对Transformer关键技术发难。《Cracks in the Foundation》指出长上下文架构选择影响大；《Lost in Backpropagation》揭示输出投影层信息损耗严重；《When Fewer Layers Break More Chains》表明层剪枝影响长链推理。
实测吓一跳，gpt-5.6居然比deepseek flash还便宜
上周GPT-5.6 luna打2折，次日梁圣的v4flash正式版发布。经实测，把GPT薅到极致比DeepSeek便宜，还整出无限活力流玩法。Luna max智力分值超Sol high，虽耗时久但成本低。