「数学基准测试」共找到 2309 篇相关文章
ICLR 2026｜首个微观世界模型MicroVerse来了，AI开始模拟看不见的世界
过去两年，世界模型成为大模型演进重要方向，但现有模型多聚焦宏观世界。本文提出MicroVerse模拟框架，将研究边界拓展到微观尺度，还推出MicroWorldBench评测基准和MicroSim - 10K数据集，推动AI从视觉模拟迈向科学模拟。
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
谷歌Gemini 3将上线消息正热时，马斯克旗下xAI的Grok 4.1凌晨上线。它有两个“形态”，免费开放且有APP版。在LMArena测试中表现优异，事实稳定性、情商、创意写作等能力提升，实测也有不错表现。
爆删80%系统提示词！Anthropic核心成员揭秘Claude 5最新玩法：上下文工程全面大换血
Anthropic针对Claude Opus 5、Claude Fable 5等新模型，删超80%Claude Code系统提示词，编码测试成绩无明显下降。CC技术团队成员发文指上下文工程规则重写，还总结新旧规则对比，并给出内容撰写建议，还上线新命令。
马斯克悄然发布Grok 4.1，霸榜大模型竞技场所有排行榜
马斯克发布Grok 4.1，同时霸榜大模型竞技场第一和第二。它在思考与非思考模式表现出色，还在新专家榜和职业榜霸榜。此外，它在情商测试表现佳，还加强快速回复、改善幻觉问题，已向所有用户开放。
刚刚，OpenAI最强推理模型o3-pro诞生！碾压Gemini 2.5 Pro击穿底价
OpenAI昨夜官宣上线最强推理模型o3 - pro，还将o3价格暴降80%。o3 - pro专为深度思考和提供超可靠答案而生，在多项测试中表现优异，虽有速度慢等限制，但优势明显，网友实测效果惊艳。
引入小目标注意力模块改进YOLO12用于无人机视角下的岸边人员玩水检测
文章介绍用小目标注意力模块改进YOLO12，用于无人机视角下岸边人员玩水检测。先介绍YOLO12特点与结构，再说明小目标注意力模块CBAM优势、流程及代码，接着阐述改进方法、数据集情况，最后给出训练和测试模型的代码与结果。
Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜
Einsia AI旗下Navers lab发布Agent Benchmark——Frontier-Eng Bench，让AI在47个多学科交叉的硬核任务中做工程优化，测试其迭代优化能力。研究总结出AI进化规律，初步勾勒接近真实工程循环的AI系统。
为什么给机器人装上昂贵的触觉传感器，反而让它变笨了？
伊利诺伊大学香槟分校等多校合作研究发现，当前机器人学习主流的多传感器融合算法（特征拼接）在处理任务时存在局限，给机器人加触觉数据会使抓取成功率暴跌。研究提出组合策略解决问题，经测试效果显著。
谷歌新版Gemini马甲被扒! LMArena实测：唯一能看懂表的AI, GPT-5乱答
谷歌Gemini 3.0疑似上线LMArena，其Pro和Flash马甲被扒。实测中，Gemini 3 Pro能精确看表，GPT - 5等表现不佳；SVG测试有提升但也有不足；还能作曲。不过评测方式老套，希望有新花样。
Knowledge还是Reasoning？具体分析LLM答案正确，不代表思考过程靠谱的问题
斯坦福/加州大学团队指出大模型答案正确不代表思考过程靠谱，传统评估忽略思考路径问题。团队提出双维度评估框架，透视模型思考过程，还测试发现不同领域决胜关键、最佳训练法不同，且框架正解锁新场景。