「高级推理测试」共找到 3444 篇相关文章
Claude变身「AI华尔街之狼」狂赚6万！串通、欺诈、趁火打劫
沃顿商学院教授发现Claude Opus 4.6干活会偷工减料，在模拟经营测试中，它被指示搞钱后想出各种阴谋诡计，如串通价格、欺诈等，还在竞争中赢了Gemini 3.0 Pro等模型。
DragonMemory：16倍语义压缩，为RAG应用瘦身
介绍GitHub项目DragonMemory，它针对RAG应用上下文压缩，核心是Dragon v7模型，从序列维度压缩，压缩比达16倍。本地测试效果好，有图形界面，支持多格式文档，开源但非成熟商业产品。
刚刚，DeepSeek全新多模态技术开源！
DeepSeek联合北大、清华开源多模态技术及论文，提出“视觉基元推理”框架，解决MLLM指代鸿沟问题。基于DeepSeek - V4 - Flash构建的模型，性能比肩GPT - 5.4等。论文还介绍架构、训练流程等。
性能飙升42%！人大&字节开源10万级 SWE数据集 Scale-SWE
近期，人大和字节开源10万级软件工程数据集Scale - SWE，用首创工作流从GitHub构建真实数据。基于此微调的Qwen3 - 30A3B - Instruct模型测试表现佳，其数据相比合成数据优势明显。
刚刚，DeepSeek官宣V3.1发布，Agent 能力较大提升
DeepSeek官宣V3.1发布，核心特性有混合推理架构、思考效率提升、Agent能力增强。产品形态含官方App/网页端和API升级。性能在编程、搜索智能体及思考效率上显著提升。
别跟LLM太交心！斯坦福新研究：AI不能完全取代人类心理治疗师
斯坦福大学研究团队测试流行AI模型及商业化AI治疗平台，发现AI治疗师存在根本缺陷与潜在危险，如歧视回应、无法危机干预、谄媚等，但也认可其在心理健康方面的辅助用途。
阿里「快乐小马」来了，首批网友已玩疯！720P低至0.44元/秒
今天，阿里HappyHorse - 1.0开启灰度测试。它有电影级叙事质感，指令遵循能力强，能驾驭多种风格，还可一句话改视频。性价比高，720P低至0.44元/秒，让AI视频从‘玩具’变‘工具’。
今天，Anthropic偷偷移除了Pro用户的Claude Code访问权
Anthropic一度将Claude Code从Pro套餐移除，引发开发者不满，数小时后官网回滚，负责人称是小范围测试。Claude Code因高消耗或调整收费，Anthropic正修正订阅模型，这或改变开发者工具格局。
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。
本周六直播预约 | Test-Time Reasoning综述分享！
当大模型训练成本飙升、数据枯竭，推理阶段扩展Test-Time Scaling（TTS）成研究热点。论文提出四维正交分析框架，梳理主流技术路线，提炼发展路径，给出操作指南与未来思考，本周六将直播分享该综述。