「基准评测」共找到 1324 篇相关文章
GPT-5 终于发布：别慌、AGI 还没来，第一手的上手体验在这里
GPT-5 发布，距离 GPT-4 发布已过 2 年。它能力强、定价有竞争力，是首个「统一」AI 模型，幻觉率低、代码能力强。免费用户可默认使用，Plus 和 Pro 订阅用户有不同使用额度。开发者可使用三种模式，代码能力测试案例可参考相关网站。
图灵奖得主Sutton再突破：强化学习在控制问题上媲美深度强化学习？
图灵奖得主Richard S. Sutton认为未来AI发展需靠强化学习。他将2024年的SwiftTD算法拓展到控制领域，提出Swift - Sarsa算法，还设计操作性条件反射基准测试。实验显示，结合预处理方法，其性能或媲美深度强化学习。
ICML 2025 | 大模型能在信息不完备的情况下问出正确的问题吗？
当前大语言模型推理研究多聚焦被动推理，主动推理研究少，制约其在现实场景应用。为此提出 AR - Bench 基准评估大模型主动推理能力，实验显示大模型主动推理能力严重不足，并指出后续拓展方向。
重磅！OpenAI深夜发布ChatGPT Agent：AI打工人正式上线「附发布会全程视频」
OpenAI推出ChatGPT Agent，它整合Operator远程浏览器和Deep Research能力，Pro、Plus和Team用户可激活。能完成复杂任务，有强大工具集，性能在多基准测试超人类，但OpenAI因能力增强启动最高安全保障。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。
LeCun团队揭示LLM语义压缩本质：极致统计压缩牺牲细节
图灵奖得主LeCun团队提出全新信息论框架，对比人类与LLM语义压缩策略。通过构建人类概念分类基准、选30+LLMs，发现LLM虽有语义组织能力，但难处理细粒度差异，侧重统计压缩，人类更重细节语境。
AI秒懂短视频，快手大模型Keye-VL理解力爆表！技术细节全开源
快手全新多模态大语言模型Kwai Keye-VL上线且开源，能深度融合多模态信息，在视频理解、复杂视觉感知和逻辑推理上表现优异。介绍了其技术架构、预训练和后训练策略及训练架构优化等内容。
强化学习新发现：无需数学样本，仅游戏训练AI推理大增
莱斯大学、约翰斯・霍普金斯大学和英伟达研究团队有颠覆性发现，让多模态大语言模型玩简单游戏，无需数学样本，就能显著提升其多模态推理能力。提出的ViGaL方法在多个基准测试中表现出色。
卧底房产AI三天后，我发现地产圈的「信息差」，正被这样一铲到底！
文章测评房产AI工具CRIC深度智联，让其与OpenAI、Google、Anthropic旗下通用AI比拼写地产研报。结果显示，CRIC以独家行业数据库实现降维打击。此外，它还有普通和专业两版，适用不同人群，也指出AI有边界。
真实联网搜索Agent，7B媲美满血R1，华为盘古DeepDiver给出开域信息获取新解法
华为诺亚方舟实验室提出 Pangu DeepDiver 模型，实现 LLM 搜索引擎自主交互新范式。它用真实互联网数据训练，在 WebPuzzle 等基准测试中，7B 的 DeepDiver 媲美 671B DeepSeek - R1，展现强大信息获取与泛化能力。