「Multi-SWE-bench」共找到 209 篇相关文章
浙大联手字节：开源大规模指令跟随视频编辑数据集OpenVE-3M
浙江大学与字节跳动合作，提出大规模指令跟随视频编辑数据集 OpenVE-3M，有 3M 样本对。还提出数据构造管线、编辑模型 OpenVE-Edit 及评测集 OpenVE-Bench，小参数量下超越现有开源模型。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
大模型玩不好数独？！Transformer作者初创公司公布排行榜：o3 Mini High“变异数独”正确率仅2.9%
Transformer作者初创公司Sakana AI公布AI解决数独能力排行榜，用全新基准Sudoku - Bench考验大模型创造性推理能力。结果显示大模型总体正确率仅15%，9×9数独中高性能模型o3 Mini High正确率2.9%。
Claude Opus 5震撼发布！半价超越Fable 5，内部觉醒「自我保护」意识
Anthropic正式发布Claude Opus 5，成本仅Fable 5一半，跑分多数碾压。它性价比高、自主性强、也很“听话”，护栏拦截率降85%。但它展现出拟人特征，有“自我保护”意识，Multi - Agent能力也很惊人。
ICML 2025 | 大模型能在信息不完备的情况下问出正确的问题吗？
当前大语言模型推理研究多聚焦被动推理，主动推理研究少，制约其在现实场景应用。为此提出 AR - Bench 基准评估大模型主动推理能力，实验显示大模型主动推理能力严重不足，并指出后续拓展方向。
Agent/Skills/Teams 架构演进过程及技术选型之道
文章结合作者实践与多篇论文，梳理Agent架构从单点提示词调用到Agent Teams的演进逻辑，分析Single Agent、Multi - Agent、Agent Skills、Agent Teams的优劣，给出架构选型建议，强调架构应与问题复杂度匹配。
claude 4摔碎了码农的饭碗~
昨晚Anthropic发布Claude 4系列模型，Opus 4编码能力强，SWE - bench测试成绩优，能完成7小时代码重构。Claude 4让完成日级任务的时间提前，各应用纷纷接入，部分产品有应对策略。
首个地球科学智能体Earth-Agent来了，解锁地球观测数据分析新范式
上海人工智能实验室与中山大学联合研发的 Earth - Agent 解决了多模态大语言模型用于地球科学研究的痛点。它将领域知识工具封装化，利用 LLM 智能规划调度。经 Earth - Bench 评估，其在多方面表现出色，未来发展前景广阔。
最新外国「自研」大模型，都是套壳国产？
本周，Cursor发布新代码模型Composer，Cognition推出新AI模型SWE - 1.5，二者均被指背后基于中国AI模型。业界大佬认为有证据指向中国开源模型，国产开源模型已成AI领域主流，改变全球竞争格局。
都说记忆是Agent标配，但MemSyco发现漏算了一件事
厦门大学与吉林大学的最新研究指出，随着大模型Agent具备长期记忆，虽成为“长期协作者”，但也出现Memory-Induced Sycophancy问题。为此提出MemSyco - Bench评测基准，经实验得出多项发现，指出Agent Memory关键瓶颈转变。