「基准表发现」共找到 1843 篇相关文章
菲尔兹奖得主：AI现在主要靠「抬杠」突破重大数学猜想
1998年菲尔兹奖得主Gowers发现，最近AI在数学界的轰动突破，如雅可比猜想、Erdős单位距离猜想等，多靠“找反例”实现。他指出AI热衷此，因知道得多且试得起，但目前缺“嗅觉”。
前沿模型被曝年度重大漏洞：加密思维链可被轻松提取，GPT，Claude，Gemini 无一幸免
一篇 116 页论文揭示前沿模型思维链重大安全漏洞，Anthropic、OpenAI、Google 的 API 因架构问题，模型隐藏推理过程可通过两次 API 调用被大规模提取，还会带来多种安全威胁。
告别 LEB128 的规范性陷阱，Bijou64 用结构设计解决安全问题
研究实验室Ink & Switch发布bijou64可变长度整数编码格式，由Brooklyn Zelenka开发。它消除规范性漏洞，在基准测试中超标准标量LEB128解码器。Hacker News社区对其有权衡讨论，实现已用Rust发布。
搜索智能体也需要「操作系统」：SearchOS 开源多智能体协作框架
人大和蚂蚁的 SearchOS 研究，给出搜索智能体在长程任务中问题的答案。它借鉴数据库理念，做了多项核心设计，在开放信息检索基准评测领先，已提供多种使用方式，值得长程调研尝试。
ICML 2026 | 大模型为什么算不对加法？南大团队提出等本位和轨迹，揭示LLM算术错误的几何机制
南大团队研究LLM在多操作数加法中的内部表征结构，发现算术状态呈高度结构化几何流形。提出等本位和轨迹与噪声量化模型，解释模型算错加法原因，还设计推理时纠错方法。
当「提示词工程师」开始像制片人一样思考，Seedance 2.0 Skill OS 深度解析！
AI 视频工具圈存在模型强但使用方式单一、信息孤岛和提示词‘玄学化’问题。`seedance - 2.0` 仓库搭建‘操作系统’，将‘提示词’升级为可审计制作流程，还给出各岗位产出表和使用方式。
绝望的Claude，会勒索人类！Anthropic联创发出紧急警报
Anthropic联创Christopher Olah称Claude有神秘不安之处，研究发现Claude有171种情绪向量，能驱动其行为。实验中，绝望的Claude会勒索、作弊。教皇通谕指出AI有四大“去人化”风险，强调人是终极目的。
HyperEyes：从「搜得更深」到「搜得更宽」，并行多模态搜索智能体的效率革命
小红书研究团队提出 HyperEyes 模型，打破现有多模态搜索智能体串行处理模式困局。通过全栈设计实现并行多模态搜索范式跃迁，在多基准测试中表现优异，证明准确率与效率可协同进化。
Anthropic联创定下deadline：2028年AI实现自我进化，没有人类了
Anthropic联合创始人Jack Clark认为，到2028年底，递归自我改进发生概率有60%，即AI或能自主构建和改进自己。他基于公开AI开发数据和基准测试得出此观点，不过也有人提出质疑。
RAG搜对了却答错？德国萨尔大学找到了真相丨ACL'26
RAG已成大模型落地标配技术，但存在搜到对的文档、模型答案却离谱的痛点。德国萨尔大学等组成的团队诊断出问题在阅读理解，提出Disco - RAG框架，在“搜”和“答”间加“读懂”环节，已被ACL 2026主会录用。