「可复现性」共找到 4407 篇相关文章
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
编程奇点逼近，程序员斩杀线就在眼前！软件版YouTube时刻在发生
新智元报道，软件开发正迎来「YouTube时刻」，AI工具如Cursor、Claude Code等让编程变简单。A16z投资人预言App创建速率或飙升10倍，软件边际成本趋近零，人人可成开发者，不过程序员也面临被AI替代风险。
让机器人「不仅会想，还能准确去做」，VLA-R1把「推理+行动」带进真实世界
VLA-R1是“先推理、后执行”的VLA基础模型，结合链式思维监督与强化学习，优化推理和执行。它有两阶段训练、三类可验证奖励等创新点，经多层面测试效果好，在多领域有应用前景。
EMNLP25 | "大模型在环"技术新突破：Dial-In LLM 推动中文客服意图聚类新范式
本文提出LLM-in-the-loop意图聚类框架，以传统聚类为骨架，微调后的中文LLM做语义裁判和命名批注。在10万+真实客服通话数据集上超越基线，解决现有方法依赖词向量、缺乏可解释性、调用大模型成本高的问题。
Meta全开源HumanCLAW：基础模型正进入具身智能的决策层
过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。
APP 是功能的软件化，Skill 是经验的软件化
文章指出移动互联网时代人类把需求装进 APP，Agent 时代则把经验装进 Skill。当前多数人未充分使用 AI，微信接入 Openclaw推动大众拥抱 AI。Skill 是新旧世界耦合点，还具备进化能力，可形成复利。
推进科研和工程，编程跻身顶级人类竞赛榜：谷歌Gemini 3 Deep Think重大升级
谷歌发布Gemini 3 Deep Think重大更新，剑指科研和工程。它在编程算法竞赛等多项测试中成绩亮眼，能模拟人类科学家深度思考，处理复杂问题，还可重塑工程设计流程，已向部分用户和企业开放。
Claude Code 火爆被玩坏后，刚刚Anthropic 索性掀桌子：推出非编程版 Claude Cowork
继Claude Code被用户广泛应用于多领域后，Claude推出非编程版Cowork，向macOS应用Claude Max订阅用户开放。它能处理非编码工作，自主性强，但也存在潜在风险，当前为研究预览版。
Chrome已死，Agent当立。 AI Chrome正式发布~
谷歌官宣为Chrome浏览器植入Gemini AI，发布10项更新，如智能体助理上线、跨标签页整合等。但用户体验不稳定，其AI能力是嫁接非原生。创业公司可放弃浏览器，拥抱智能体，利用自身优势发展。
12.4K 标星！开源AI编程神器 Dyad，v0、Bolt的开源平替！
AI 编程领域的 v0、Lovable、Bolt 等平台虽降低开发门槛，但有联网、隐私等问题。开源项目 Dyad 可作其替代方案，支持本地运行、多模型，能与 IDE 等集成，已获 12.4K 标星。