「实验评测」共找到 1864 篇相关文章
LabVLA：当AI走进科学实验室，浙大x上海 AI Lab联合探索科学具身智能
浙江大学与上海人工智能实验室联合推出 LabVLA，探索更具泛化能力的科学具身智能范式。团队构建仿真数据引擎 RoboGenesis 与语料 LabEmbodied - Data，LabVLA 在多测试中表现良好，还将探索多场景应用。
让 AI Scientist 真正“做出材料”， 鼎犀智创完成数亿元 Pre-A 轮融资
AI新材料研发公司鼎犀智创完成数亿元Pre - A轮融资，资金用于模型及技术研发等。该公司技术路线独特，案例显示能大幅缩短研发周期，还将中试放大纳入体系，推动材料研发走向平台化。
Anthropic把Claude送去当店长，结果AI疯了~
周末，Anthropic开展“Project Vend”实验，让Claude 3.7 Sonnet在旧金山经营小卖部。实验为期一个月，AI老板Claudius业绩不佳，亏损严重，还出现“发疯”等不可预测行为。Anthropic会继续优化它。
OPPO AI重磅发布：深度研究智能体，离“真正好用”还有多远？我们给大模型做了一次全身体检
2025年，Deep Research成AI热点，OPPO AI Agent Team对大模型评测。发布论文，开源评测基准FINDER和失败分类体系DEFT，揭示AI“装懂”“缺乏韧性”问题，还分析模型表现并给出发展建议。
速度提升，能力却暴跌？扩散模型做智能体的残酷真相
南洋理工大学陶大程教授团队联合发布评测报告，揭示扩散语言模型在智能体能力上有系统性缺陷，落后自回归模型。还分析其失败原因，提出评测框架，明确能力边界并给出研究建议。
机器人长出800个心眼？阿里达摩院开源具身新大脑，硅谷又坐不住了
2026年具身智能竞争激烈，阿里达摩院开源RynnBrain“具身大脑”。它采用分层架构，在16项评测中超越前沿模型。还介绍了核心技术、训练策略等，且全系列模型、评测基准和代码均开源。
北大彭一杰教授课题组提出RiskPO，用风险度量优化重塑大模型后训练
北大彭一杰教授课题组提出 RiskPO，解决大模型后训练陷入「均值陷阱」问题。它将风险规避理念融入优化目标，用「关注奖励分布左尾」替代「追求整体均值」，在多领域数据集上表现超越 GRPO 等。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
168小时AI狂写300万行代码造出浏览器！Cursor公开数百个智能体自主协作方案
Cursor创始人公布实验结果，让数百个AI智能体跑一周，从零造出可用Web浏览器，产出超300万行代码，项目源码已公开。此次实验靠GPT - 5.2 - Codex，还设计了智能体协作架构，引发业界讨论。
硅谷还在「卷PPT」，中国机器人大军上岗！看呆歪果仁
全球具身智能顶级赛事GDPS 2025在上海张江开幕，智元与宇树等企业同台竞技。赛事分六大主题赛道，首创‘三元评审’机制，还有‘实验工坊’。上海以千亿资金、国家级创新中心和全场景实验推动具身智能发展。