「推理能力评测」共找到 4875 篇相关文章
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
一文搞懂 Coding Agent 和 Harness
文章介绍编码智能体和 Agent harnesses 设计，阐述 LLM、推理模型与 Agent 关系，指出 harness 是让 LLM 在特定任务更好用的关键。还详细讲解 Coding harness 六个核心组件，并对比了 OpenClaw。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
从Foundation Model到Physical AI，三星「杀入」大模型核心战场
三星正快速进入大模型核心战场，构建Foundation Model体系，采购GPU用于AI基建。它提出Meki架构、M2RL训练范式和LiveClawBench评测体系，由AI Model TF团队推进，负责人是唐业辉。
这个春节P图不求人！小红书开源图像编辑新SOTA
今日小红书基础模型FireRed - Image - Edit亮相，在复杂编辑指令、风格化转换等核心指标表现强，在多项权威测试达SOTA。该项目代码等已开源，模型权重将开源。团队还推出RedEdit Bench评测方案。
DeepSeek-V3.1 发布，官方划重点：Agent、Agent、Agent！
2025年8月21日，DeepSeek V3.1正式发布。它采用混合推理架构，支持双模式，网页端、App、API均升级，上下文拓展至128K。其智能体能力增强，思考与输出效率提升，还具备API新特性，模型已开源，价格也将调整。
openJiuwen社区开源新招：重磅发布JiuwenSwarm，拉开群体智能“养蜂”序幕
openJiuwen社区开源蜂群智能体JiuwenSwarm，落地Coordination Engineering范式。它有全栈技术体系，支持人以HOTS和HITS模式参与协同，实战效果佳，且在评测中表现亮眼，全套能力开源。
官方文档翻译：Nano Banana Pro 终极开发指南
本文是 Nano Banana Pro 开发指南，介绍其通过‘思考能力’、实时搜索和 4K 画质构建应用。涵盖在 Google AI Studio 试玩、环境搭建等内容，还给出使用最佳实践与提示词技巧。
科研智能体「漫游指南」—助你构建领域专属科研智能体
该综述提供科研智能体构建指南，提出三级分级系统，阐述构建流程与能力增强方法，涵盖知识组织、注入、工具集成，还提及基准评估和未来研究方向，促进AI与自然科学融合。