「基准测试集」共找到 2447 篇相关文章
arXiv创始人亲测：水论文这一块，Grok最强，Claude最不配合
Nature报道arXiv创始人Paul Ginsparg牵头的研究，测试13个主流大模型在用户要求造假水论文时是否拒绝。结果Claude最守底线，Grok和ChatGPT较易“配合”，多轮对话中模型易动摇，论文激增危害多。
数学奥赛高分摘金，位列大模型榜首，『书生』科学多模态大模型Intern-S1能力再升级 | 通专融合新进展
2025年CMO决赛首设AI测试，书生科学多模态大模型Intern-S1以102分位列大模型得分榜首，远超金牌线和国家集训队入选线。其推理能力提升得益于多项创新，未来将拓展至多领域科研。
马斯克将用最强Grok 5，挑战LOL最强战队T1！
马斯克让Grok 5戴「纯视觉感知」与「拟人延迟」镣铐挑战LOL传奇战队T1。这是终极图灵测试，AI像人一样感知与推理。对决为特斯拉Optimus练兵，若AI看懂团战，就能理解现实世界。
大模型幻觉检测新方法：实时高亮不确定内容
来自苏黎世联邦理工学院等机构团队，开发流式幻觉检测器，能在生成过程中即时标记幻觉实体。核心是识别具体“实体”是否虚构，实验表现出色，团队已将数据集和代码开源，有局限但应用前景好。
谷歌开源Gemma 3 270M，性能超越Qwen 2.5同级模型
本周四，谷歌发布 Gemma 3 270M 模型，它参数小、功能强，具备指令跟踪等能力。在 IFEval 测试中表现出色，节能且适合多场景，谷歌还提供使用指南和试用途径，Gemma 系列下载量已破两亿。
训练大模型玩《反恐精英》：自带外挂一枪爆头，堪比职业玩家
动视暴雪、斯坦福大学和英伟达等研究人员基于职业玩家游戏数据和Transformer架构，开发游戏大模型MLMOVE。在《反恐精英：全球攻势》测试中，它表现出色，性能超现有机器人，还具提前预判移动等创新。
B站下场自研AI配音！纯正美音版甄嬛传流出，再不用看小红书学英语了（Doge）
B站发布TTS模型IndexTTS2，亮点是实现时长控制时再现符合Prompt的情感特征，支持两种生成方式，经测试多项指标达SOTA。它由三核心模块组成，还可能是代号H的AI创作工具一环。
Ilya交卷！黄仁勋砸50亿押注SSI，首个模型疑本周发布
Ilya Sutskever创立的SSI或本周发布首个重磅模型，引发圈内关注。英伟达砸50亿美元合作，提升其算力。该模型基于测试时训练架构，能边学边进化，或终结大模型“预训练时代”。
刚刚，机器人练成了宁次的「白眼」：∞帧画面边看边3D重建我们的世界！
蚂蚁灵波开源的LingBot - Map模型实现无尽流，可看∞帧视频稳定实时3D重建。它打破“既要实时、又要记路、还要省显存”的不可能三角，在多项测试中表现优异，补齐具身智能关键拼图。
LeRobot v0.5.0 正式发布
LeRobot v0.5.0正式发布，是规模最大的一次发布。在硬件上支持更多机器人，策略模型新增6种，数据集处理优化，还推出EnvHub，代码库也全面升级，此外社区与生态建设也有进展。