「端到端评测」共找到 3014 篇相关文章
Anthropic让9个Claude Agent花5天做出比人类强4倍的对齐成果
Anthropic发表Automated Weak - to - Strong Researcher，用9个并行的Claude Opus Agent组成自动化研究团队，5天就把PGR从人类的0.23提升到0.97，成本约$18,000，证明AI自动化研究可行。
2026 将近，世界模型到底更「世界」了吗？
近期 Runway 发布相关产品，让「世界模型」讨论再聚焦。其定义从强化学习语境延伸，业内理解不断变化，概念边界变模糊。如今被推到和 LLM 同级，出现概念同名但内核分裂现象。
AI Native 的影像公司们，颠覆赛道的机会来了！
文章指出过去50年影像公司通过推动坐标点向「计算」端移动创造商业变量。如今计算突破天花板，带来理解、增强、生成现实三层价值释放，解锁新场景，AI Native影像公司机会巨大。
GAIR Live 预告｜智能始于记忆，AgentMemory 的技术演化过程
在人工智能走向智能体阶段，‘记忆’成焦点。如今大模型‘记不住’上下文，‘从Human Memory到Agent Memory’跃迁是迈向具身智慧关键。GAIR Live将邀专家探讨记忆技术逻辑与路径。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
腾讯混元TurboS技术报告首次全公开：560B参数混合Mamba架构，自适应长短链融合
腾讯公开混元TurboS技术报告，该模型是超大型Hybrid Transformer - Mamba架构MoE模型，融合Mamba与Transformer架构优势，有自适应长短思维链机制，激活参数56B。在多评测中表现佳，推理成本低。
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。
Grok 4作战图刷爆全网，80%华人横扫硅谷！清华上交校友领衔，95后站C位
Grok 4一夜爆火硅谷，一张内部作战图显示其幕后团队华人学者占比达80%，包括Jimmy Ba、吴怀宇等。独立评测中Grok 4成绩优异，但也有人质疑其代码基准结果有过拟合嫌疑。
AI"学霸"也解不出高中题？耶鲁、复旦发布MMSciBench，揭示AI理科推理能力短板
耶鲁、复旦等推出MMSciBench评测基准，揭示主流模型复杂科学推理短板。它有高质量数据、多模态多题型测试和精细知识分类体系。测试发现模型图文融合及推理能力弱，英文推理或效果更好。
直播预约 | 世界模型，点燃下一个AI爆点
2026开年，世界模型成科技圈热门议题，被视为通向AGI重要基建。4月15日19:00 - 21:00，机器之心联手黄大年茶思屋，邀5位专家从技术到产业解析世界模型前沿，双平台直播。