「物理基准测试」共找到 2453 篇相关文章
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。
更大，还能更快，更准！蚂蚁开源万亿参数语言模型Ling-1T，刷新多项SOTA
10月9日，蚂蚁开源万亿参数语言模型Ling-1T。它延续自研高效MoE架构，在编程、数学推理等多维度测试表现亮眼，还能兼顾精确与效率。此外，它在多场景实用性强，其创新设计提升了能效比与性能。
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
10w人看过的龙虾量化系统，评论区骂最多的问题，我花2天补上了。
上一篇龙虾量化系统文章获10w+，评论指出数据是短板。作者经研究找到QVeris，它是统一数据接口平台，使用简单。作者以金融领域为例介绍其用法，还测试其在其他领域的能力，认为它是AI时代的数据基础设施。
藏师傅 Kimi K2 Thinking 首测！教你用 Kimi 编程全家桶
本文首发测评藏师傅 Kimi K2 Thinking，介绍 Kimi 编程全家桶。K2 Thinking 有 Agent 化等多方面升级，还推出 Kimi CLI 工具与 KFC 套餐。作者展示全家桶使用方法并多维度测试，肯定其表现，赞 Kimi 战略清醒务实有远见。
500万视频数据集+全新评测框架！北大开源主体一致性视频生成领域新基建OpenS2V-Nexus，生成视频 「像」 又 「自然」
北大团队推出开源套件OpenS2V - Nexus，含全球首个S2V细粒度评测基准OpenS2V - Eval和500万条高质量人物文本视频三元组数据集OpenS2V - 5M，还评测18个S2V模型，揭示主流模型能力差距。
Qwen3.8-27B 登顶全球开源榜第一，曾经的「源神」又回来了！
8月17日，阿里发布的Qwen3.8 - 27B成Hugging Face热门第一。它以27B参数在部分测试中与前沿闭源模型比肩，可本地运行。不过推理慢、真实任务表现待提升，它让前沿Agent能力下放到个人电脑。
JCP | 南科大邹欣桐、王建春等：神经算子在三维湍流预测中的不确定度和稳定性分析
本文以三维各向同性湍流为例，提出面向神经算子的可信度评估框架，考察预测误差不确定度、长时迭代稳定性及流场时间相关性对模型可靠性的影响。结果显示，物理约束和合理时间步长可提升模型稳定性与可靠性。
把20多种工具塞进一个搜索框！亲测「Agentic Search」后，我关掉了几十个浏览器标签页
秘塔AI推出Agentic Search，是“边想边搜，边搜边做”新搜索方式，能自主完成多步工具调用。作者测试其为AI笔记应用策划预热活动等场景，还测市场分析、编程学习、新媒体运营场景，虽有不足但未来可期。
我的Codex是Claude Code 帮忙装好的……
OpenAI的Tibo称Codex CLI支持ChatGPT账号登录，Plus和Pro订阅用户可在命令行用GPT - 5。作者安装Codex遇问题，Claude Code帮忙解决。测试发现Codex有提升空间，作者认为Claude Code功能强大，建议人人开Claude Code Max。