「T2R - bench」共找到 2073 篇相关文章
腾讯混元挖走微软明星大模型团队！一作全员出走，新成果已跻身大模型竞技场TOP 10
微软明星大模型WizardLM一作全员加入腾讯混元，最新成果Hunyuan - Turbos跻身大模型竞技场TOP 10。此前WizardLM - 2发布不顺，且微软将裁员超6000人，国内大厂正激烈争夺大模型人才。
蚂蚁EGSS算法破解Test Time Scaling困局 | ACL 2026
蚂蚁集团CodeFuse团队在ACL 2026主会论文中提出EGSS算法，破解Test Time Scaling困局。该算法精准识别高不确定性决策点，解决计算冗余与选择脆弱问题，在SWE - Bench - Verified上全模型提升5 - 10%。
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
GPT-5编程成绩有猫腻！自删23道测试题，关键基准还是自己提的
有人发现OpenAI测试GPT-5编程能力时，用的SWE-bench Verified子集仅477题，自行省略23题。若这些题默认零分，其得分比Claude Opus 4.1低。且该基准还是OpenAI自己提出的。
开放世界任务成功率82%！美的攻克机器人泛化控制难题
美的AI研究院和华东师范大学联合提出ChatVLA - 2模型，引入动态混合专家架构和双阶段训练流程。真机实验显示其开放世界任务成功率达82%，远超现有方法，为通用机器人控制提供新思路。
太牛了~~复杂表格Cell合并、跨页拼接，中文领域96%，甩MonkeyOCR 20%
在PDF文档解析领域，复杂表格解析是难题。今天分享的OCRFlux是基于qwen2.5vl - 3B模型微调的解决方案，有单页解析和跨页段落/表格合并等创新点，测试得分超96%，远超MonkeyOCR等。
实测updream预演台：一张图，换来一整个3D片场！
作者实测updream预演台，它可传图自动重建3D白模场景，可摆人物、调机位等，再配合Seedance 2.5渲染成片。作者还做了对照实验，证明白模能锁定拍摄意图，并给出使用建议。
关于 AI Agent，「实在」、「好用」可能比「颠覆」更重要
8月18日百度AI Day上，百度文库、网盘联合发布全端通用Agent「GenFlow2.0」。它无需邀请码，多专家协助，能利用文库和网盘数据，实测在多场景表现超预期，稳定高效，“好用”才是关键。
开源版Genie 3世界模型来了：实时+长时间交互，单卡可跑，国内公司出品
本月初 Google DeepMind 发布 Genie 3 引发关注，没过两周昆仑万维就推出开源交互世界模型 Matrix - Game 2.0，参数量 1.8B，单卡可跑，能实现实时长序列、交互式生成，经测试潜力大。
1句话高质量生成游戏3D动作，北大新方法刷新动画制作SOTA
北京大学提出ReMoMask：基于检索增强生成的Text - to - Motion框架，集成三项关键创新。在标准基准测试上，相比RAG - T2M，在HumanML3D和KIT - ML上FID分数分别提升3.88%和10.97%。