「评估基准」共找到 1426 篇相关文章
AI哪怕答案正确，逻辑链却惨不忍睹，奥数级不等式证明成功率不到50%｜ 斯坦福&伯克利&MIT
斯坦福、伯克利、MIT等联合研究，系统评估29个大模型在奥数级不等式证明任务的能力。研究发现，模型答案正确多靠猜，推理漏洞多，参数大、思考久也不能提升推理严谨度，但自我反思和定理线索策略有改善效果。
SOTA大模型遇上加密数据评测：Qwen3未破10%，o1也栽了丨上海AI Lab等联合研究
当前推理模型在基准测试中性能卓越，但在密码学领域推理能力待探索。上海AI Lab等推出CipherBank评测，用海量真实隐私场景数据和多类型密码算法挑战SOTA大模型，结果显示模型表现不佳，还分析了模型“犯难”原因。
登顶TPC-C！数据库分布式扩展技术揭秘
阿里云PolarDB云原生数据库以超原记录2.5倍性能登顶TPC - C基准测试排行榜。本文揭秘PolarDB MySQL版多主集群（Limitless）架构与核心技术，还介绍高可用机制、性能测试结果，最后提及轻量版和列存索引应用。
AI「生肉证明」堆爆GitHub！陶哲轩重磅发声：只会解题没用了
陶哲轩判断数学从证明稀缺进入过剩时代，AI 使证明生成加速，出现验证和消化跟不上的‘阻抗失配’现象。如 Erdős 问题有众多待评估方案堆积，而仅1196号案例跑通‘三件套’。他还指出学术评价体系将重写。
端到端语音模型：从语音表征到模型架构
本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。
Cursor自研新模型反超Opus 4.6，价格还“打一折”！网友实测：只有它写完应用能一次跑通
Cursor发布第二代编程大模型Composer 2.0，在关键编程基准测试上反超Claude旗舰模型Opus 4.6，价格还“打一折”。网友实测其写完应用能一次跑通，效率和成本优势明显。但Cursor面临代码编辑器地位下降的危机，正积极自救。
GPT-5.2发布即降智？背后华人被挖出，清北校友核心贡献
OpenAI发布GPT - 5.2，官方称其基准测试碾压Gemini 3 Pro，擅长完成有经济价值任务。但发布后实测有翻车情况，也有提前测试者称其很强。此外，背后多位核心贡献者为华人，如北大校友Yu Bai等。
腾讯AI Lab首创RL框架Parallel-R1，教大模型学会「并行思维」
腾讯AI Lab等机构研究者首创Parallel - R1框架，通过强化学习让大模型掌握并行思维。它解决了RL训练的冷启动和奖励设计难题，在多数学基准上提升准确率，还揭示模型思维策略变化及并行思维的‘脚手架’作用。
张一甲：2025中国科技投资痛点、趋势与展望 | 甲子光年
8月21日，甲子光年创始人张一甲发布《2025中国科技投资：痛点、趋势与展望》报告。指出当前一级市场科技投资止跌回暖但堵点仍存，还阐述了硬科技引领、AI投资逻辑变化等七大趋势，最后用“星空坐标系”评估投资赛道。
全能高手&科学明星，上海AI实验室开源发布『书生』科学多模态大模型Intern-S1 | WAIC 2025
7月26日，上海AI实验室在WAIC 2025上发布并开源『书生』科学多模态大模型Intern-S1。它首创‘跨模态科学解析引擎’，在多学科专业任务基准上超越顶尖闭源模型，还具备体系化技术创新。未来将持续开源，打造更懂科学的AI助手。