「测试评估集」共找到 2678 篇相关文章
Google | 发布革命性编码智能体：AlphaEvolve，突破数学极限！
DeepMind 发布由 LLMs 驱动的进化编码智能体 AlphaEvolve，能演化代码库用于算法发现和优化。它结合 LLM 创造力与自动化评估，减少幻觉，在谷歌计算生态、数学算法等多领域有巨大应用潜力。
ICML25 | 让耳朵「看见」方向！仅依靠360°全景视频，就能生成3D空间音频
空间音频技术成提升沉浸式体验关键，但现有技术未充分利用360°全景视频空间信息。OmniAudio研究可直接从360°视频生成空间音频，相关代码和数据集已开源，虽有局限但前景好。
刚刚，马斯克Grok 4.1低调发布！通用能力碾压其他一切模型
xAI 低调发布 Grok 4.1 并向所有用户开放，可多平台使用。该模型在真实世界可用性上显著提升，尤其在创造力等方面出色。它在多项评估中表现优异，通用能力领先，情感智能、创意写作佳，还降低了事实幻觉。
小扎开9位数薪酬新建AI团队！砸千亿收购华人初创公司，Llama 4太拉胯急坏了
Meta CEO扎克伯格对Llama 4表现失望，一边开7 - 9位数薪酬从谷歌、OpenAI等公司挖人组建新AI实验室，另一边豪掷148亿美元收购初创公司Scale AI 49%股份并挖来CEO，Llama 4在第三方测试中表现不佳。
只要9美元！LoRA+强化学习，DeepSeek 1.5B推理性能暴涨20%
南加州大学团队基于LoRA的强化学习训练1.5B推理模型，在AIME 24测试上性能提升超20%，成本仅9美元。开源Tina模型结合三大关键技术，与SOTA模型相比竞争力强，研究者还对其有效性提出假设。
大模型最后一层竟是推理累赘？绕开对齐税，奥数准确率暴涨 22.4%！
Qwen团队等最新研究打破传统认知，揭示‘对齐税’现象。提出置信解码策略，在多架构、评测集上表现出色，能绕过‘对齐税’，提升推理准确率，且工程开销低，为大模型发展提供新思路。
The Batch: 907 | 小而高效模型的“制作”方法
Mistral AI发布Ministral 3系列模型权重，结合剪枝与蒸馏技术，用级联蒸馏法构建。该系列参数规模有140亿、80亿和30亿，在部分测试中表现佳，训练成本低于传统方式。
开源复现o3图像思考！快手让AI不再被动看图，模型自主生成代码调用工具
Kwai Keye团队提出Thyme新范式，构建技术方案，赋予开源模型“超越图像思考”能力。包括设计训练策略、构建开源配套资源，拓展多模态模型工具使用与决策水平，在基准测试中性能提升显著。
Excel上微软式创新！=COPILOT()函数发布
微软CEO宣布Excel新功能`=COPILOT()`函数，可在单元格直接调用AI。它能进行文本分析、生成内容、整理数据，与计算引擎集成，结果随数据自动更新。现处测试阶段，有调用限制和版本要求。
先别急着给OpenAI加冕！陶哲轩：这种「金牌」，含金量取决于「赛制」
OpenAI 官宣推理模型在 IMO 获金牌水平成绩，此前各模型表现不佳。数学家陶哲轩劝谨慎看待，认为无严格测试条件难比较 AI 与人类。网友看法不一，模型训练方法及 Alexander Wei 受关注。