「PHYX基准测试」共找到 2052 篇相关文章
不换模型，效果提升104%！上海AI Lab让Harness也能自进化了
上海人工智能实验室团队提出的Self-Harness引发关注，它针对Agent外层Harness改进。实验显示，在Terminal-Bench-2.0上，不换模型只改Harness，Qwen3.5-35B-A3B等模型效果显著提升。
机器人学会“脑补”触感，叠衣服端茶水成功率暴涨90%
近年来，人形机器人研发从行走转向复杂操控，但处理精细家务表现逊色。卡内基梅隆大学联合博世人工智能中心团队提出 HTD 模型，让机器人预判触觉，在 5 项任务上成功率提升 90.9%，部分代码开源。
腾讯大模型动作慢了吗？姚顺雨带着Hy3 preview杀进第一梯队
国内大模型发展迅速，腾讯此前动作较慢。姚顺雨加入后推动变革，混元团队重建推出Hy3 preview，有295B总参数和快慢思考融合架构，开源且性能优，在多方面表现出色，成本下降。
Anthropic 那个“强到不敢发”的模型，终于来了！
今天凌晨，Anthropic 发布新模型 Claude Mythos Preview，它曾被指‘强到不敢发’。该模型能力跃升，尤其网络攻防能力突出，但因具‘双重用途’仅向少数伙伴开放，用于防御性网络安全项目。
跨越智能体落地的可信鸿沟：玄甲（AgentWard）全链路防御操作系统正式发布
大模型向自主智能体演进，安全威胁全域化。当前安全方案有局限，制约产业落地。清华大学团队推出玄甲全链路安全防御操作系统，构建五层纵深防御体系，已落地应用，降低安全事件发生率，筑牢安全防线。
开源一周狂揽 7.6K Star！这个爆火的「同事.skill」可以将“数字遗产”炼成 AI！
开源项目colleague-skill上线不到一周获7600+ Star。它由@titanwings开发，可凭同事材料生成能替其工作的AI Skill，有双层架构、多源采集等亮点，还介绍了使用方法与项目结构。
OpenAI为龙虾紧急收购了一家23人公司
OpenAI前脚挖来龙虾之父，后脚收购专注AI安全与评测的初创公司Promptfoo。该公司开源评测框架流行，有30多万开发者用户。收购后将补齐OpenAI在‘龙虾安全’方面关键一环，且继续保持开源。
OpenClaw绝配！GPT-5.4问世，AI能力开始大一统，就是太贵
周五凌晨，OpenAI 发布 GPT-5.4，引入原生计算机使用模式。它能操作软件、浏览网页等，性能和灵活性强，token 效率高，但价格贵。科学家认为 AI 前景广，有人觉得 GPT-5.4 Pro 达 AGI 级别。
谨慎用OpenClaw：上海科技大学发布其全面安全体检报告
上海科技大学联合上海人工智能实验室对爆火的智能体OpenClaw做安全审计，在34个测试场景中，整体安全通过率58.9%，暴露出多方面问题，研究据此给出纵深防御策略。
IMO题库“过时”了！OpenAI内部模型挑战最新First Proof，做了7天错了一半
谷歌发布Gemini 3 Deep Think爆火后，OpenAI用未发布内部模型，一周内尝试解答10道来自数学家科研现场的真实问题，5道基本正确。这些题取自真实研究，切断模型“背答案”可能，意味着自主推理能力进化。