「基准表发现」共找到 1843 篇相关文章
清华&Qwen最新论文实证： VLM 智商与机器人操控能力“零相关”
清华和 Qwen 最新论文《VLM4VLA: Revisiting Vision - Language Models in Vision - Language - Action Models》测试 24 个 VLM 模型，构建极简 VLM4VLA 测试，发现 VLM 通用能力与机器人操控能力‘零相关’，还揭示视觉编码器短板。
顶尖AI竟输给三岁宝宝，BabyVision测试暴露多模态模型硬伤
UniPat AI 等发布多模态理解评测集 BabyVision，测试显示多模态大模型纯视觉能力仅达三岁幼儿水平。其通过对比实验、细分任务评测，揭示模型系统性缺基础视觉能力，还给出新方向及发展建议。
全球最大AI榜单塌房！52%高分答案全是胡扯，硅谷大厂集体造假？
2025年底，《LMArena is a cancer on AI》一文引发关注，其指出LMArena这个权威大模型评测平台问题严重。Surge AI调查发现，52%获胜回答事实错误，39%投票结果与事实相悖，Meta还曾为榜单优化模型。
AI医生终于有了硬标尺！全球首个专病循证评测框架GAPS发布，蚂蚁联合北大王俊院士团队出品
蚂蚁健康与北大王俊院士团队发布全球首个大模型专病循证能力评测框架GAPS及评测集GAPS - NSCLC - preview，解决现有医疗AI评测局限，成果已应用于“蚂蚁阿福”，并客观评价了大模型临床能力。
复杂空间推理新SOTA，性能提升55%！中山大学新作SpatialDreamer
中山大学等机构推出SpatialDreamer，模拟人类空间认知过程，构建闭环推理流程，还提出GeoPO解决奖励稀疏问题，构建SpatialDreamer - SFT数据集。实验显示其在多基准达SOTA，为AI空间智能发展开辟新路径。
从大模型到多模态，图文混排Agent彻底起飞~
上周智谱多模态开源周，从GLM 4.6v到Autoglm，其图文并排使用场景很吸睛。上传PDF论文，它能生成图文混排解读文章，效果好。作者逆向原理复刻代码，还分享GLM 4.6V三个有意思的能力。
模型大一统？1100多个模型殊途同归，指向一个「通用子空间」！
约翰斯・霍普金斯大学研究发现，1100多个不同神经网络，即便训练条件不同，最终权重会收敛到共享低维子空间。此研究为神经网络参数空间“通用性”提供严谨实证，虽成因待探索，但意义深远。
OpenAI 盲测新模型不如 Nano Banana Pro？曝 Altman 要暂停 Sora，死磕 ChatGPT
近日，网友发现 Notion 或在测试 GPT - 5.2。OpenAI 盲测新图像模型‘Chestnut’和‘Hazelnut’，结果接近 Nano Banana Pro，但生成图未获好评。Altman 调整战略，暂停 Sora 死磕 ChatGPT，本周将推 GPT - 5.2。
谷歌最新版「深度研究」反击GPT-5.2
GPT - 5.2发布前，谷歌推出新版Gemini Deep Research Agent，基于Gemini 3 Pro构建，功能强大。还开源DeepSearchQA，推出交互API。此外，DeepMind与英国政府合作，在城市规划、科学研究、网络安全等多领域应用AI技术。
DeepSeek V3到V3.2的进化之路，一文看全
知名AI研究者Sebastian Raschka发布深度博客，详细梳理DeepSeek V3到V3.2进化历程。DeepSeek V3.2性能对标GPT - 5和Gemini 3.0 Pro，且为开放权重模型，报告涵盖众多有趣领域和知识。