搜索：AGI基准测试 - AI Reading Hub

「AGI基准测试」共找到 2490 篇相关文章

微调重要表征以增强思维链的推理能力

团队提出关键表征微调（CRFT）方法，通过信息流分析识别和优化关键表征。在八个数学和常识推理基准及两个模型系列验证其有效性，能提高推理准确率，学习参数量低，还适应少样本场景。

6月AI人才市场，谷歌7天内损失四位技术元老，分别加入OpenAI和Anthropic。这引发外界关注，有人质疑谷歌AI处境。DeepMind CEO哈萨比斯回应称，判断AGI竞赛输赢不能只看短期，谷歌仍有优势。

斯坦福NLP组发布ProgramBench，用200个完整代码库重建任务测试主流大模型，要求模型仅根据可执行文件还原如SQLite等项目完整代码，结果所有模型实际解决率为0%，说明模型更擅模仿代码表面结构。

谷歌DeepMind推出多模态TIPSv2，解决图像块与文本嵌入对齐难题。它有三大核心技术创新，在9项任务和20个数据集表现出色，特征图优势显著，且配套生态完善，为AGI预训练指明方向。

3月27日，2026中关村论坛上，天工AI发布游戏世界模型Matrix - Game 3.0、视频大模型SkyReels V4和音乐大模型Mureka V9，杀入世界第一梯队，解决行业顽疾，还发布2026 AGI战略。

纪录片《思考游戏》上线四周破2亿观看，由AlphaGo原班团队历时五年拍摄。它揭秘DeepMind实验室，讲述从质疑中诞生，经游戏试炼、AlphaGo对决，到攻克蛋白质折叠难题，同时也引发对AGI发展的思考。

亚马逊工程师 Joe Mag 分享团队用 Coding Agent 使代码产出效率提 10 倍，但 Bug 风险也放大 10 倍。介绍‘Agentic Coding’工作流，还给出借助 AI 做‘风洞测试’、升级 CI/CD、升级决策和沟通系统等建议。

文章虽指出GPT - 5未达AGI，先前宣传过度，但亮点颇多。介绍了三个模型定位、输入输出、价格速率等差异，还提及新参数和功能，如`reasoning.effort`、`verbosity`等，新特性助开发者平衡成本、速度和效果。

长视频理解是多模态大模型关键能力，当前开源模型有短板。智源研究院联合发布 Video-XL-2，多维度优化长视频理解能力，还设计效率优化策略，在主流评测基准表现出色，有广泛应用潜力。

Anthropic的Claude Opus 5上线当天，系统提示词被开发者Eversmile1传到GitHub。提示词含产品说明、法务合规手册、推销渠道内容。其记忆规则严格，版权引用限制多，商业推荐有不同策略。上线24小时能力被广泛测试。