「任务选择」共找到 2279 篇相关文章
北大伯克利联手“拷问”大模型：最强Agent也才40分！新基准专治“不听话”的AI分析师
北大与伯克利团队推出IDA - Bench新基准，模拟真实数据分析场景，解决现有基准无法评估大模型在动态交互中可靠性的问题。测试显示，顶尖大模型成功率最高仅40%，不同模型还暴露多种问题。
视频生成1.3B碾压14B、图像生成直逼GPT-4o！港科&快手开源测试时扩展新范式
香港科技大学联合快手可灵团队推出 EvoSearch 方法，支持图像和视频生成。该方法无需训练和梯度更新，能提升模型生成质量，展现了 test - time scaling 补充 training - time scaling 的潜力，目前论文和代码已开源。
更省 Token 的国产 Codex：ZCode，加上 DeepSeek 更夯！
介绍国产 Codex 平替 ZCode，它有 100 万用户，能接 DeepSeek，模型选择开放，缓存命中率高省 Token，插件生态完善，还介绍了安装、接入方法及多种实用功能。
模型不是企业的护城河，那什么才是？
文章指出企业AI进入深水区后，真正的竞争是将AI变成企业自己的智能引擎。衔远科技创始人周伯文提出泛化基础上的深度专业化是企业竞争力来源。衔远发布EnterpriseClawBench，揭示企业需私有化评估和可持续进化能力。
Anthropic再次挑衅AI输出范式， 谁才是标准?
Anthropic Claude Code团队工程师称HTML应成大模型输出新标准。文章探讨使用场景，如考虑为多看一眼付多少token、内容用途、交流对象等，建议按需选格式，HTML是可视化加班费。
CVPR 2026｜AI开始会拍电影了：一分钟十镜头，全程不崩剧情
多镜头视频生成要求模型处理不同镜头间稳定信息和变化信息，现有方法有局限。Meta与哥本哈根大学研究者提出OneStory，建立跨镜头记忆机制，设计关键模块，实验表现好，为视频生成打开新可能。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
“每给 Claude Code 提一个请求，我就点上一根烟，放松下”
OpenFGA 核心维护者 Siddhant Khare 写博客吐槽使用 AI 编程的‘疲惫感’，指出 AI 带来职业疲惫却被行业回避，还分析了原因，如任务量膨胀、角色转变等，并给出应对建议，引发工程师共鸣。
从需求分析到代码生成，LLM都能干点啥？一文读懂291个软工Benchmark！
大语言模型重塑软件工程各环节，但缺乏评估其在该领域表现的系统工具。浙江大学等机构团队首次对291个软件工程Benchmark系统综述，分析现状、痛点并给出改进方向。
狂涨34.6K star！！再见了Salesforce，开源CRM新标杆，颜值高、功能全，太6了！
传统CRM系统价格高、生态封闭、操作复杂，而开源项目`Twenty`致力于打造现代化、灵活且高度可定制的平台。它功能强大，如可视化流程管理、强大的客户管理等，还提供多种安装方式。