「学术基准测试」共找到 2192 篇相关文章
字节手里的牌，比收购 Manus 更狠 - AnyGen 体验一周有感
本文作者分享使用字节海外推出的通用AI Agent产品AnyGen的体验，介绍其功能亮点、多场景测试效果，对比竞品，认为它定位职场场景，性价比高，或引领通用Agent竞争转向用户体验。
奥特曼仓促亮剑GPT-5.2！一张图爆火全网，全面碾压Gemini 3
谷歌发布Gemini 3，其惊艳表现打乱OpenAI阵脚，公司进入「红色警戒」，将提前于12月9号发布GPT - 5.2应对。网传GPT - 5.2测试分数全面超Gemini 3 Pro，但遭网友质疑。OpenAI面临用户流失等危机。
最强开源0.9B级OCR模型！本地Agent、知识库都有救了！
百度飞桨PaddleOCR团队开源多模态文档解析模型PaddleOCR-VL，参数量仅0.9B，对算力要求低。它在OmniDocBench V1.5榜单屠榜，经测试，能精准识别发票、图表等，适合本地环境与资源受限设备。
国产大模型新SOTA：蚂蚁万亿级旗舰模型赶超GPT-5
蚂蚁集团开源万亿参数旗舰大模型Ling-1T，属Ling 2.0家族。它激活比例低降低运算成本，训练有“Ling缩放定律”等方法，多项测试超主流模型，不过处理超长上下文成本较高。
马斯克周末血裁xAI 500人
上周四晚，xAI内部突袭测试，淘汰率达33%，超500人被裁。此前其数据标注团队规模持续增长，多为直聘。此次战略转变，将扩专业标注员规模，或押注垂直行业AI。
碾压DeepSeek V3！开源AI Agent专属模型，1万亿参数、工具使用能力超强
国内大模型平台月之暗面开源了模型Kimi - K2，这是混合专家模型，总参数1万亿。它针对AI Agent优化，工具使用能力强。测试显示其性能碾压DeepSeek V3等模型，训练流程还有独特技术创新。
微软正式开源UFO²，Windows桌面迈入「AgentOS 时代」
微软研究团队正式开源业内首个深度集成 Windows 操作系统的桌面智能体平台 UFO² AgentOS。它是 UFO 升级版，解决传统智能体问题，在多维度实现突破，经测试表现领先，代码和文档已开源。
告别 LEB128 的规范性陷阱，Bijou64 用结构设计解决安全问题
研究实验室Ink & Switch发布bijou64可变长度整数编码格式，由Brooklyn Zelenka开发。它消除规范性漏洞，在基准测试中超标准标量LEB128解码器。Hacker News社区对其有权衡讨论，实现已用Rust发布。
Anthropic联创定下deadline：2028年AI实现自我进化，没有人类了
Anthropic联合创始人Jack Clark认为，到2028年底，递归自我改进发生概率有60%，即AI或能自主构建和改进自己。他基于公开AI开发数据和基准测试得出此观点，不过也有人提出质疑。
RAG搜对了却答错？德国萨尔大学找到了真相丨ACL'26
RAG已成大模型落地标配技术，但存在搜到对的文档、模型答案却离谱的痛点。德国萨尔大学等组成的团队诊断出问题在阅读理解，提出Disco - RAG框架，在“搜”和“答”间加“读懂”环节，已被ACL 2026主会录用。