「评估基准」共找到 1426 篇相关文章
ICML 2025 Oral工作再升级！上海AI Lab联合复旦、港中文推出支持更长视频理解的最佳工具VideoRoPE++
上海AI Lab联合复旦、港中文推出支持更长视频理解的工具VideoRoPE++。它确定了将RoPE应用于视频的关键特性，构建评测基准V - RULER，提出外推方案YaRN - V，在多任务中优于先前RoPE变体。
从 Copilot 到 通用 Agent ： 阿里在 AI Coding 上的应用和挑战
阿里巴巴代码平台负责人向邦宇在 QCon 大会分享阿里智能研发大模型应用与挑战。介绍探索成果，如代码补全、审查等功能；指出面临用户需求理解、领域知识整合等难题；还提及技术进步带来新机遇，促使从 Copilot 向 Agent 转变。
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。
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。
微软：81% 企业考虑增设 AI 岗位，未来员工会成为智能体的老板
微软发布报告显示，中国企业对 AI 应用认知转变，84%企业决策者将重新评估 AI 影响，81%企业考虑增设 AI 岗位。企业落地 AI 有三阶段，智能体以“数字员工”角色进入企业，员工与 AI 关系重要。
全球顶尖AI做物理，被人类按地摩擦？不懂推理大翻车，本科生碾压
港大等机构用3000道物理题测试顶尖大模型，如GPT - 4o、Claude 3.7 Sonnet等，结果模型准确率远低于人类专家。研究推出PHYX基准测试，揭示模型依赖知识、公式和模式匹配，缺乏真正物理理解。
阿里开源长文本深度思考模型！渐进式强化学习破解长文本训练难题，登HuggingFace热榜
阿里开源长文本深度思考模型QwenLong - L1，登上HuggingFace热门论文第二。它解决了长文本强化学习训练难题，通过渐进式上下文扩展训练，在多基准测试中表现出色，还探讨了SFT和RL作用。
比Sora更疯狂！英伟达AI让机器人「做梦」修炼，无师自通直接上岗
英伟达新研究项目DreamGen用视频生成模型让机器人在神经网络生成的「梦境世界」自主探索学习。它能让机器人掌握新动作、泛化到新环境，合成数据暴涨333倍，还引入DreamGen Bench用于视频生成基准。
OpenAI诈骗？GPT-4.1正式上线ChatGPT，网友实测却大呼失望
OpenAI官宣GPT - 4.1在ChatGPT中可用，Plus、Pro和Team用户可访问。它擅长编码和遵循指令，评估表现有优有劣。实测代码处理表现佳，但网友因无100万上下文窗口API版本而失望。
AI长身体，直接做实验！自主通用科学家，科研界的Scaling Law来了
本文探讨未来科研范式「自主通用科学家」（AGS），它将AI与机器人技术结合实现科研全流程自动化，有望突破人类科研限制，引发科学范式变革，还介绍了相关架构、优势及面临的挑战和应对策略。