「AI模型性能」共找到 14153 篇相关文章
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
Claude 5.1来了，但最强能力只向少数机构开放
9月1日，Anthropic发布Claude Fable 5.1和Claude Mythos 5.1，二者用相同底层模型，区别在安全限制和开放范围。Fable面向订阅用户和企业，Mythos仅向少数审核机构开放，此次还尝试新的开放方式。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
5.2万Star项目被迫出走GitHub，但开源世界只剩更差的选择
Ghostty 项目创始人 Mitchell Hashimoto 宣布项目将逃离 GitHub，因其频繁故障影响工作。开发者群体对 GitHub 现状失望，认为平台重心转向 AI 产品致基础设施变差。但 GitHub 外的开源替代方案都有明显缺陷。
8.5K星 Agent 记忆准确率 94.6%，RAG那套被打穿了
AI Agent常没记忆，每次对话像白纸。Hindsight（vectorize-io/hindsight）有8500+ star，是仿生记忆系统，分三层记忆，检索系统TEMPR四路并发，在测试中成绩优异，且上手简单，能让Agent从经验学习。
Skills：从编程工具的配角到Agent研发的核心
文章探讨了Skills在AI Agent发展中的价值演变与适用场景，指出其价值具高度场景依赖性。在Claude Code编程工具中它表现平淡，在Agent研发中价值凸显，还给出使用场景判断维度与发展方向。
存储芯片暴涨之下，云游戏却因祸得福
存储芯片价格暴涨冲击消费电子，如魅族22 Air因内存涨价取消上市计划。但这为云游戏带来转机，微软为Xbox云游戏引入‘广告方案’，且当下AI算力过剩，云游戏可利用闲置算力。
The Batch: 898 | Copilot 用户需求随时间变化
微软研究表明，人们在深夜用手机和工作日白天用笔记本电脑时，对Copilot使用方式不同。研究分析3750万次对话，发现主题和意图因设备、时间、年份而异，AI社群或需重新考虑聊天机器人设计。
The Sentient Interface: Art, Technology, and the Expanded Mind
在计算与数据主导的时代，艺术、科学与技术边界渐趋模糊。本次活动汇聚四位从业者，探讨如何将无形元素转化为审美体验，从生态数据到AI叙事，跨越学科探索人机关系与环境依存。
万万没想到，这家央企竟让香农和图灵又“握了一次手”
中国电信人工智能研究院研发布局的智传网（AI Flow），让信息技术和通信技术融合。在WAIC中，李学龙提出智传网三律，即信容律、同源律和集成律，打破传递智能的‘壁’，为数字世界带来深远影响。