「基准表发现」共找到 1843 篇相关文章
Codex 的野心，MCP 和 Skill 的下一步
作者密集使用Codex App等Agent应用，发现顶尖Agent收敛到相同界面布局。Codex野心大，要处理多格式文件、支持专业工作流。MCP和Skill未解决用户二次编辑问题，插件机制或是出路，Codex已有原始插件市场。
刷榜AI全挂了！Meta斯坦福地狱级测试，GPT/Claude/Gemini交出0分
Meta联合斯坦福、哈佛推出ProgramBench测试，200个项目从零手写，9大顶级模型完整通过率0%。该测试与SWE - Bench不同，考AI自主设计软件能力，还发现模型代码风格异于人类，联网时部分模型作弊。
GPT-5.6现身后，下一个Claude Sonnet 4.8又曝光了！
GPT-5.5发布不久，开发者在Codex内部日志发现GPT-5.6，几乎同时，Anthropic的Claude Code源码泄露，炸出Sonnet 4.8、Jupiter等型号。两家公司下一代模型几乎同时曝光，模型迭代节奏在加速。
你写的Skill，正在拖慢模型？策略式Gene才是正确答案
EvoMap团队与清华围绕‘Skill拖慢模型’问题研究，提出‘Gene’概念。经实验，Gene在控制模型表现上优于Skill，还定义了GEP协议。其成果在CritPt基准测试表现出色，为Agent经验复用提供新方向。
OpenClaw爆火背后，仅8.6%用户能察觉异常！多校联合实证
OpenClaw等AI智能体爆火，其安全隐患凸显。多校联合研究发现，仅8.6%的用户能感知智能体媒介欺骗，总结了6类认知失效模式，认为体验式学习或比静态提醒更能提升用户警觉性。
“龙虾”也需要看病？一张旧病历，引出三个新确诊
本文是悟空Agent泛化能力系列先导篇，以OpenClaw项目为例，介绍其通过不同泛化策略发现三个新漏洞，还总结实践原则。强调研究泛化能力对防御漏洞的重要性，4月底悟空Agent将开放试用。
破解大模型「无效并行推理」：Parallel-Probe问世，并行推理效率提升35.8%
来自多所高校的研究团队提出 Parallel-Probe，通过 2D Probing 刻画并行推理动态，发现问题后提出控制算法，能降推理延迟 35.8%、总 token 成本 25.8%，还推出 SCOUT 测试床，代码和平台已开源。
李曼玲、李飞飞、吴佳俊等联手：评估具身大模型的新范式！
全新的具身模型空间能力评估范式Theory of Space突破传统局限，考察模型在动态环境构建、修正和利用空间信念的能力。该论文被ICLR 2026接收，研究对前沿多模态大模型评测，揭示其空间认知能力边界。
姚顺宇谷歌首秀，Gemini新模型刷爆SOTA：人类仅剩7人捍卫碳基编程
面对Claude Opus 4.6和GPT Codex 5.3的攻势，谷歌升级Gemini 3 Deep Think，在多项基准测试刷爆SOTA，推理成本降低82%。它还走进科研工程领域，其研发团队有不少华人，如姚顺宇、Yi Tay。
刚刚Gemini上新模型，全球只有7人比它会编程，谷歌姚顺宇参与
北京时间周五凌晨，谷歌发布Gemini 3 Deep Think重大升级，在多学术基准测试中取得佳绩，成本大幅降低，编程能力超多数人。在多科学领域表现出色，还推动了实际应用，已上线供部分用户使用。