「推理能力评测」共找到 4875 篇相关文章
红杉中国xbench全球首发，AI智能体真实战力揭榜！
红杉中国推出全新AI基准测试工具xbench及相关论文，采用双轨评估体系和长青评估机制，首期发布两个核心评估集并综合排名，还提出垂类评测方法论。它能追踪模型能力与实际场景价值，解决现有评估难题。
Lovart第一时间上线Image 2：每个人真的可以瞬间拥有一个设计部了
Lovart上线Image 2，有去AI味的写实感、强大文字生成与泛化推理能力，完爆Nano Banana 2。它结合独家工作流，带来设计体验飞升，还给出五个使用场景案例，并对比了与Claude design的差异。
OpenAI最强对手出现！马斯克发布Grok-4，性能碾压Claude 4两倍！
半小时前马斯克发布Grok - 4，虽Grok3.5跳票、直播迟到被吐槽，但它训练量和算力投入大。在多项基准测试中碾压Claude Opus 4，还具备原生工具调用等能力，xAI目标是让其更快更智能。
AI 医疗还在比进度，百川已在比高度
近一年来，AI医疗进入新阶段，众多企业和资本涌入。但当前主流医疗大模型有局限，落地难。百川Baichuan - M3聚焦医疗决策过程建模，三项关键评测达全球最优，或代表AI医疗重要转向。
Meta发布Muse Spark，MSL的首份答卷！Alexandr Wang通过了吗？
Meta发布Muse Spark，是MSL首个模型，经九个月技术栈重构，效率优先。它有原生多模态推理能力，Contemplating模式处理复杂查询，安全评估突出，产品功能升级，商业化转向明显，正逐步在Meta应用推出。
AI自己给自己当网管，实现安全“顿悟时刻”，风险率直降9.6%
大型推理模型有安全风险，此前监督微调泛化能力有限。SafeKey团队提出创新的SafeKey框架，发现大模型信息“越狱”两大核心，通过双通路安全头和查询遮蔽建模强化模型安全，实验验证其有效性。
阿里+清华发现80/20法则：LLM只靠20%的token就能学会Reasoning
阿里与清华研究发现，训练大语言模型（LLM）推理时，真正关键的是20%的高熵token，其余80%低熵token几乎无用。仅用20%高熵token做强化学习，效果超全量训练，还提出RLVR训练策略提升效率。
GPT-5真的拉胯吗？机器之心一手实测，网友：还我4o、还我4.5
OpenAI发布GPT - 5后评价褒贬不一。有人认为它进步大，也有人差评，如制作游戏、重构代码失败。机器之心实测发现其表现不稳定，写作、推理、编码能力有好有坏，复杂任务表现欠佳。
从分钟级等待到20倍超速：LightX2V重写AI视频生成速度上限
今年，开源项目LightX2V在ComfyUI社区走红，单月下载超170万次。它是面向低成本、强实时视频生成的推理技术栈，能在消费级显卡上高效生成视频，还支持多种模型和硬件，覆盖不同用户需求。
用「进化+压力测试」自动生成的竞赛级编程题，各家大模型谁更hold住？
北京大学与通用人工智能研究院联合提出 UniCode 框架，构建进化式评测系统，能自动生成高质量算法题目与抗污染测试用例。通过对 19 个前沿大模型测试，展现高挑战性与强判别力，为代码能力评估开辟新路径。