「自主智能测试」共找到 5222 篇相关文章
多模态模型具备“物理推理能力”了吗？新基准揭示：表现最好的GPT-o4 mini也远不及人类！
来自多机构研究人员构建PhyX基准测试，评估多模态模型物理推理能力。测试显示，即便表现最佳的GPT - o4 mini准确率仅45.8%，远不及人类的75.6%，且模型在多方面存在结构性缺陷。
又一华为天才少年入局具身创业！用视频生成数据训家用机器人，首个模型登顶具身基模榜单
又一华为天才少年周凯文加入具身创企诺因智能。该公司成立不到一年，专注ToC家用具身智能机器人，用视频生成数据训练模型，其KnowinBrain模型登顶具身基模榜单，团队人才密度高。
刚刚，GPT-6正式发布！OpenAI：欢迎来到AGI时代
OpenAI正式发布GPT - 6 Astra和GPT - 6 Astra Pro，宣布AGI时代开幕。该模型训练规模大，能力升级显著，价格公布。基准测试成绩优异，在多方面表现突出，还展示诸多实际应用案例，已有企业开始测试。
刚刚，Anthropic分享了他们在AI Agents评估的最佳实践
Anthropic发布blog《揭秘AI Agents评估》，指出良好评估能助团队信心发布AI智能体，介绍评估结构、构建原因、评估方法、从零到一的路线图，还提到评估需与其他方法配合，全面了解智能体性能。
一文全解析：AI 智能体 8 种常见的记忆（Memory）策略与技术实现
本文剖析8种常见AI记忆方案，如全量记忆、滑动窗口等，分析其原理、特点和适用场景，还给出模拟代码助理解。不同策略各有优劣，适用不同对话场景，能为项目评估、选择和实现Memory方案提供参考。
一个指令误导智能模型！北航等首创3D语义攻击框架，成功率暴涨119%
北京航空航天大学与中关村实验室团队提出全新框架InSUR，入选NeurIPS 2025。该框架可基于指令生成对抗样本，首次实现3D SemanticAE生成，从采样、建模、评估三方面突破，实验验证其有效性与可扩展性。
Agent 元年已至，我们会拥有自己的智能助理吗？｜GAIR Live 预告
2024年被认为是「Agent元年」，智能体浪潮正改写工作与生活。6月14日上午10点，GAIR Live线上圆桌论坛将围绕「Agent」话题展开，5位一线嘉宾探讨其发展阶段、应用方向等关键议题。
情人节最硬核“Kiss”！中国AI突破300年亲吻数难题，连刷多维度纪录
中国AI打破300多年的亲吻数难题。上海科学智能研究院等团队提出PackingStar系统，刷新多维度世界纪录。它将难题转化为多智能体博弈，成果获高度评价，还体现了AI for Science 2.0特质。
Anthropic最新2026趋势报告：人类最大一次编程革命势不可挡
Anthropic发布《2026年智能体编码趋势报告》，指出编程规则改变，任何人都能成开发者。报告给出8大趋势，如软件开发生命周期剧变、智能体能力提升等，还给出2026年组织需关注的4大领域。
改变强化学习范式，Meta新作呼应Sutton「经验时代」预言
图灵奖得主等提出AI智能体将迎「经验时代」，但训练面临挑战。Meta研究用「早期经验」范式解决问题，包含隐式世界建模和自我反思，提升了智能体任务成功率和泛化能力。