「基准表发现」共找到 1842 篇相关文章
Science重磅：AI编程新手与资深开发者之间的差距巨大
《科学》杂志发表的AI编程全球调查研究显示，美国程序员提交的Python代码中29%由AI代笔，资深开发者借此拉大与新手差距。研究团队用GraphCodeBert模型分类器扫描代码，揭示技术扩散差异与隐忧。
MiniMax 上市后的第一个开源：给 Coding Agent 立个规矩
2026 年初 MiniMax 成功上市港股，市值达 1100 亿港币。其上市后首个开源项目 OctoCodingBench 聚焦 Coding Agent 评估，解决规则复杂时 Agent 合规问题，为其立规矩，有重要社区价值。
GPT-5.2考赢人类！OpenAI警告：大模型能力已过剩，AGI天花板不是AI
GPT - 5.2在ARC - AGI - 2基准测试超人类，Poetiq系统让其准确率从60%提至75%。OpenAI称大模型进入‘能力过剩’阶段，未来AGI进展不止靠模型，更需人机协同。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
蚂蚁阿福对打ChatGPT Health，哪家强？
全球科技大厂在健康赛道竞争激烈，OpenAI推出ChatGPT Health，与蚂蚁阿福功能相似。对比发现，阿福在功能精细度、打通专业医疗服务上领先，二者都引入专家团提升专业性。
大模型幻觉的源头找到了！清华团队锁定大模型宁愿说谎也要讨好人类的神经元
清华大学研究团队深度解剖大语言模型微观机制，确认幻觉关联神经元存在，揭示其与过度服从行为相关。通过干预神经元激活状态可增减模型幻觉行为，为开发可靠 AI 系统提供靶点。
谷歌2025年终回顾：Gemini 3领衔，六大领域全线突破
本文回顾谷歌2025年发展，从Gemini 1.5 pro开始有变化，到Gemini 2.5 pro质变。谷歌在模型、产品、创意、科学等六大领域突破，如Gemini 3系列模型表现出色，但Sam Altman仍认为谷歌失败。
AAAI 2026 Oral | 拒绝「一刀切」！AdaMCoT：让大模型学会「看题下菜碟」，动态选择最佳思考语言
多语言大模型面临语言选择难题，现有跨语言推理方法存在缺陷。新加坡研究团队推出AdaMCoT框架，通过自适应路由机制动态选语言推理，提升跨语言事实推理准确性与一致性，效果超越传统方法。
Meta通过简单算术解锁LLM SoTA性能
大型语言模型训练耗算力与时间，传统模型融合方法有局限。本文提出SoCE新方法，通过筛选专家模型、非均匀加权平均融合，在多评测中实现先进性能，为LLM优化提供新思路。
离了大谱，21%的ICLR 2026审稿意见竟是AI生成的？官方回应来了
刚过去的周末，围绕ICLR 2026审稿意见中大量AI生成说法引发热议。潘格拉姆实验室统计显示，21%审稿意见完全由AI生成。ICLR 2026官方回应正讨论应对措施。