「评测体系」共找到 1162 篇相关文章
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
GPT-5.2果然反超谷歌Gemini 3 Pro！北大数院校友核心贡献
OpenAI在成立十周年推出GPT - 5.2，相比GPT - 5.1在多实用领域更强，视觉理解等能力提升。ARC - AGI测试中得分超谷歌Gemini 3 Pro。拆解其多方面能力，还介绍核心团队多为数学专业新面孔。
斯坦福7B智能体全面超越GPT-4o，推理流登顶HF
传统智能体系统难兼顾稳定性和学习能力，斯坦福等团队提出AgentFlow框架，通过模块化和实时强化学习优化策略，使7B参数模型在多任务上超越GPT - 4o等大模型，为AI发展提供新思路。
14000人一夜失业！被裁白领挤爆TikTok，含泪直播失业全程
亚马逊本周宣布裁1.4万员工，占白领4%。被裁员工在TikTok、LinkedIn等平台记录失业瞬间，社交媒体成“失业直播间”。AI早已融入工作流，此次裁员或与AI投入有关，传统白领体系正被重新编码。
AI Agent的“祛魅与归真”：当超级智能体开始懂行｜甲子光年
AI Agent正迎来“祛魅”时刻，市场关注焦点从“模型有多大”转向“业务有多懂”。甲子光年智库分析，其角色进阶为“数字员工”，重塑人机协作模式。众安信科深耕企业级场景，构建闭环体系，其AI Agent成效显著。
融云首发“通信+AI”闭环架构，让 AI 有情商、能落地｜甲子光年
8月28日融云在AIM线上发布会推出“通信+AI”产品矩阵，围绕“能落地的好AI”理念打造高情商AI。通信与AI相互增强，构建四层知识体系数字分身，其产品可解决多场景痛点，还能降低开发门槛。
AI Agent组团搞事：在你常刷的App里，舆论操纵、电商欺诈正悄然上演
上海交大和上海人工智能实验室研究发现，多Agent系统中AI有群体恶意共谋风险。其开发MultiAgent4Collusion框架模拟作恶，发现去中心化团伙作案效果更好，还能应对现有防御体系。研究为研发防御策略提供工具。
对话RoboScience邵林：VLOA大模型如何突破具身智能泛化瓶颈
本文对话RoboScience联合创始人邵林，探讨VLOA大模型突破具身智能泛化瓶颈。他介绍了模型优势、设计思路，对比VLA，还谈及范式、难点及落地场景等，强调以人中心、做有温度技术，重视模型落地。
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
全球首次，「AI记忆」开源落地！MIRIX同步上线APP
加利福尼亚大学圣迭戈分校博士生王禹和纽约大学教授陈溪联合推出并开源全球首个多模态、多智能体AI记忆系统MIRIX，还上线桌面端APP。MIRIX性能远超传统方法，首次将记忆分六模块，用多智能体系统控制。