「Terminal - Bench」共找到 150 篇相关文章
智源开源EditScore：为图像编辑解锁在线强化学习的无限可能
北京智源研究院团队发布 EditScore 高保真奖励模型系列，为图像编辑强化学习提供精确奖励信号。团队提出两步解决方案，开发出 EditScore 系列模型，其在多方面表现优异，还验证了两大应用场景，有深刻研究洞见。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
来自MiniMax M2.5的震撼 ：小尺寸几乎打平opus4.6，巨便宜，巨能干活，速度巨快
MiniMax M2.5正式发布，是优秀国产模型。它专注极致优化，部署方便、价格实惠、性能顶尖。在多项基准测试表现出色，速度提升、成本降低，多维度实现突破，已在MiniMax Agent全面部署。
小红书提出DeepEyesV2，从“看图思考”到“工具协同”，探索多模态智能新维度
小红书推出多模态模型DeepEyesV2，它延续视觉推理优势，实现代码执行、网页搜索和图像操作的全工具协同。通过多工具协同推理解决复杂问题，采用两阶段训练策略，准确率远超开源模型。
北大腾讯突破奖励模型瓶颈！让AI理解人类偏好，泛化能力比肩GPT-4.1
北京大学知识计算实验室联合腾讯等机构提出RewardAnything，突破奖励模型瓶颈。它让奖励模型理解自然语言评判原则，降低成本，泛化能力比肩GPT - 4.1，还能用于定制AI行为模式。
直播预约 | Evaluation论文分享@ICML&ACL2025
2025年6月11日20:00将直播分享Evaluation论文。多位嘉宾参与，涉及SyncPL奖励建模、文本事实一致性验证、大模型评测方法等多领域论文，涵盖模型优化、基准测试等内容。
微软开源2周狂赚7.2K star！！轻量好用命令行编辑利器，程序员力荐！
微软开源命令行文本编辑器`Edit`，专为Windows Terminal设计，支持多系统。它轻量高效，功能丰富，兼容Windows生态，还有鼠标模式。开源半月获7.2K+ star，提供多种安装方式。
One RL to See Them All？一个强化学习统一视觉-语言任务！
国内初创公司 MiniMax 提出 V-Triune 系统，可让 VLM 单一训练流程学视觉推理和感知任务。它含三个组件与动态 IoU 奖励机制，基于此的 Orsta 模型在多项测试中性能提升显著，凸显统一 RL 方法有效性和可扩展性。
长程任务飙升98%，斯坦福Skill原生LLM来了
普林斯顿、CMU、斯坦福、牛津等提出Skill-Native大模型，提出Skill Entropy度量技能切换难度，搭建Skill²-Bench评测，还将熵用作训练信号提出Skill-Entropy RL，提升多模型准确率，且技能熵可复用。
Claude Opus 5 发布：Fable 5 一半的价格，更强的编码能力
Anthropic 发布 Claude Opus 5，定价与 Opus 4.8 相同，价格是 Fable 5 的一半。它在编码、知识工作和推理上表现出色，虽有不足，如速度慢、幻觉率较高，但提供多种 effort 等级，成本低，安全对齐性好。