「基准测试数据集」共找到 1347 篇相关文章
AI在线强化学习“边做边学”，斯坦福团队让7B小模型性能飙升，甚至超越GPT-4o
斯坦福等团队提出新范式AgentFlow，由四个智能体组成，用在线强化学习持续提升智能体系统推理能力。以Qwen - 2.5 - 7B - Instruct为基座模型的它在多基准测试表现突出，甚至超越GPT - 4o等大模型。
只需1/4预算，性能反超基线：阿里高德提出Tree-GRPO，高效破解智能体RL难题
阿里高德提出Tree - GRPO方法解决智能体RL难题。它以智能体步骤为节点树搜索，在11个数据集中更省预算、表现更好，能在1/4预算超GRPO基线，解决了Rollout成本高和监督稀疏问题。
7 小时连续重构不掉线！一骑绝尘的Claude 终于遇到对手：Greg Brockman亲自解读AI编程重大突破
9月16日，OpenAI推出新模型GPT-5-Codex，专为AI辅助编程工具设计。它在代理编码基准测试中表现佳，形成了覆盖各种需求的交互界面，还具有更优的后训练特性，能连续工作7小时完成复杂重构。
OpenAI发布新模型硬刚Anthropic！Claude Code刚火，就被GPT-5-Codex拍在沙滩上？
9月15日，OpenAI推出新模型GPT - 5 - Codex，是微调的GPT - 5变体，用于AI辅助编程。它增强了代码审查功能，能动态调整思考时间，在多项基准测试中表现优于GPT - 5，发布后引发网络热议，AI编码工具市场竞争激烈。
GPT-5暴写「屎山代码」！14个Prompt，看穿GPT-1到GPT-5七年智商进化史
GPT-5发布半月表现未达预期，Peter Gostev对比GPT-4和GPT-5基准测试。OpenAI公开2018 - 2025 GPT进展网址，通过14个Prompt展示GPT-1到GPT-5在写诗、写代码、解题、解答专业与健康问题等方面的实力进化。
7个月翻一番！AI agent能力飙升，METR报告揭示指数级进化规律
非营利研究机构METR报告显示，Agent能力每7个月翻一番，这在9项基准测试中得到验证，任务涉及编程、数学等领域，大模型正迈向高度自动化，且Agent性能提升快，未来处理复杂任务能力或更强。
被“网暴”两个月后，Yann LeCun 携最新世界模型杀回！小扎千万美元激励抢人，Meta AI 内部权利之争开始
Meta推出新的“世界模型”V-JEPA 2，可提升AI物理推理能力。它是V-JEPA扩展版，在百万小时视频上训练，能让机器人完成任务。Meta还发布三项基准测试，且已开源。LeCun力挺，小扎为追进度亲自招人才。
万字总结：如何练就适配人形机器人的可靠「灵巧手」？｜GAIR Live
在具身智能崛起时，灵巧手成人工智能落地核心突破口。2025年5月25日相关线上沙龙中，嘉宾围绕灵巧手软硬件、数据与模型、落地应用等交流，探讨数据难题、开源价值、落地挑战及中美差距等。
12.1万高难度数学题让模型性能大涨，覆盖FIMO/Putnam等顶级赛事难度，腾讯上海交大出品
腾讯AI Lab与上海交大团队联合推出首个基于自然语言的数学定理证明框架与数据集DeepTheorem。12.1万道高难度数学“特训题”让模型定理证明性能大涨，7B模型性能比肩或超越现有开源和商业模型。
AI能否独立开展科研？ASI-Bench为科学自主性建立评测标尺
ASI-Bench是衡量AI系统科学自主性的基准测试，由多机构联合开发。它能测试AI通用智能、创新性和执行力，通过信息梯度设计，让模型在不同指导量下完成科研任务，结果显示当前AI离自主科研有明显距离。