「多跳问题」共找到 407 篇相关文章
代码榜刷满分，AI科研却撞墙？140道真实研究题撕开「自进化」真相
新工作MLS - Bench覆盖12领域、140个研究任务，评测前沿模型科研能力。虽模型工程执行强，但科学发现能力弱，当前仍难提出有效算法创新。其评测已纳入Kimi K3和Qwen3.8 - Max官方发版表。
Claude Sonnet 5 上线一日差评刷屏：打不过千问和 Minimax，性价比全面翻车
Claude Sonnet 5发布一天差评多。虽官方定位高，有能力亮点，但在中文测评中性价比低，测试成本高，且Max推理模式易过度思考。还因过度保守失去实用价值，其表现取决于使用场景和预算。
金融AI武道大会开赛！四道业务真题，出题人：猜不到最优解
AFAC2026金融智能创新大赛开赛，赛题源于真实金融场景，如识别交易行为、还原金融文档等。它强调回归基础研究，探索模型产业价值，是今年金融AI领域值得关注的比赛。
OpenClaw大考！上海AI Lab InternLM团队WildClawBench 60题，把「龙虾」AI打回原形
上海人工智能实验室InternLM团队推出WildClawBench，含60道高难度任务，在真实OpenClaw环境端到端评测AI Agent。评测涵盖多类别任务，已测14个模型，国产模型表现亮眼，项目开源可复现。
谷歌Deep Think八语奥赛屠榜！自主攻克4大未解难题，科研壁垒崩塌
谷歌Deep Think横扫亚欧多语种竞赛，成绩亮眼。虽评测数据来自内部，未公开细节且是区域赛，但它定位为‘人类智力倍增器’，其驱动的Aletheia已产出论文，解决4个未解问题，在多领域展现潜力。
小扎的残酷算术题：砸6000亿搞AI，裁1.6万人省钱
路透社爆料Meta计划裁员20%约1.6万人，这或为其自2022年底以来最大规模裁员。与此同时，Meta在AI投入巨大，如6000亿美元建数据中心等，但模型表现不佳，如Llama 4反响平平、Avocado推迟发布。
谷歌给「AI解数学题」神话降温：能摘低垂果实，但过程依然痛苦
谷歌用Gemini对700个Erdős猜想做攻关实验，推进13个问题。但他们指出，这并不意味着AI能自动做数学研究，其背后核验等成本远超想象，还需警惕‘潜意识抄袭’。
设计师集体沸腾！阿里开源千问图像编辑模型，支持语义及外观的双重编辑！
阿里Qwen团队于2025年8月18日发布Qwen-Image-Edit模型，基于20亿参数的Qwen-Image模型，结合Qwen2.5-VL和变分自编码器，支持语义及外观双重编辑，能精准修改文字，已上线Qwen Chat等。
大模型“拼好题”，45K数据撬动18%提升，数学问题拒绝死记硬背 | MathFusion
上海AI Lab等团队提出MathFusion，通过三种“融合策略”生成新的融合数据集MathFusionQA，仅用45K合成指令，在多基准测试中平均准确率提升18.0个百分点，增强模型解决数学问题的能力。
首个高考数学满分AI诞生！海淀名师审大题，给出惊艳超高分
豆包爱学App的AI挑战高考数学全国卷，经6位资深名师严格把关，获Ⅰ卷144分、Ⅱ卷150分满分。其解题过程出色，虽有小问题但可解决，对师生帮助大，预示AI教育将变天。