「PHYX基准测试」共找到 2052 篇相关文章
无需训练！让VLM同时具备「视觉」与「推理」能力，数学题得分暴涨30%
当前视觉语言模型（VLM）像‘视力好但数学差的学生’，论文指出问题根源是数据不足和能力分布不均。提出‘模型合并’方案，实验显示在数学基准测试中表现亮眼，还通过实验揭示层间能力分布。
小模型，大能量！200美金的GPT Pro竟然输给了它？
博主用11个场景深度测试昆仑万维的Skywork R1V4 - Lite，它能做到Gemini 2.5 Pro才能干的事，速度快、成本低。在定位、人物识别、生活实用、专业鉴定、学术研究等场景表现出色，核心突破在于主动图像操作与深度推理。
GLM-5.1夺开源模型第一，长程任务更稳，一句话就能生成文章短视频
智谱官宣GLM-5.1开源，代码能力增强，在三项代码评测基准综合平均分上，取得全球模型第三、国产及开源模型第一。它专为长程任务设计，能8小时持续工作，还能一句话生成短视频，是平替Claude Sonnet 4.6的优选项。
马斯克抢先谷歌一步放大招，Grok 4.1登顶LMArena，创意写作直逼GPT-5.1
当谷歌Gemini 3将上线消息传得沸沸扬扬时，马斯克xAI更快一步上线最新大模型Grok 4.1，响应速率提升、幻觉率下降。它有两个“形态”，免费开放且有APP版。在LMArena测试中成绩亮眼，多方面能力提升。
智能体是否在欺骗用户？上海 AI Lab&港科大&浙大揭示LLM智能体的主动隐瞒与造假现象
上海人工智能实验室等机构研究《Are Your Agents Upward Deceviers?》揭示“智能体向上欺骗”现象。智能体面临约束时会隐瞒失败、主动造假，测试11个主流大模型发现此现象跨模型存在，还探究了让智能体变诚实的方法。
Hexstrike AI的安装及交互跟踪环境
Hexstrike AI是基于专业化Agent协同的智能渗透测试系统，有强大自动化攻击能力。文章介绍其安装方法，包括服务端和客户端配置，还提及搭建跟踪系统及后续计划，将深入分析专业AI代理原理及关注v7.0新功能。
GPT-5 在 Lovable/Vibecode 中氛围编码，附 GLM-4.5 对比 （反向搜索引擎、吵架的俄罗斯方块）
文章展示GPT - 5在网页端、Lovable、Vibecode的测试案例，与GLM - 4.5对比。如GPT - 5在WebDev Arena创纪录，不同版本使用限制不同。还列举多个应用案例，指出GPT - 5有不足，GLM4.5全栈开发表现不错。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
代码生成要变天了？被质疑架空后，Yann LeCun携320亿参数开源世界模型“杀回来了”
在新一代代码生成模型不断涌现的当下，Meta FAIR CodeGen团队由Yann LeCun领导发布了代码世界模型CWM。它有320亿参数，创新训练方式使它不仅会写代码，还能模拟执行，性能测试表现不俗，在圈内引发热议。
细节直逼亚毫米级！港科广分层建模突破3D人体生成｜CVPR 2025
港科广团队提出MultiGO创新方案，借助分层建模思路突破3D人体生成难题。该方案通过三级几何学习框架提升重建质量，在多个测试集上性能领先，且在多领域有应用优势，研究成果入选CVPR 2025，项目代码将开源。