「AGI基准测试」共找到 2490 篇相关文章
反常识！GPT-5和Opus 4同时翻车：AI越强，越不爱用工具？
作者用GPT - 5和Claude Opus 4做进化实验，让其开发工具。两模型表现出色，但面对实际任务却不用自制工具。原因包括模型规模使脚手架工作无价值、RLHF带来工具厌恶、逼近AGI渐近线等。
别只做skill了，都去做插件吧
Claude Code的插件系统上线，解决了配置难分享、版本化和审核的问题。它将已有能力标准化，介绍了插件与独立配置选择、上手步骤、可装内容、测试方法、提交市场及从独立配置迁移等内容，还提及其他软件推插件市场。
刚刚，Claude 5.1 发布！全球最强模型来了
Anthropic推出Claude Fable 5.1和Claude Mythos 5.1。Fable 5.1面向普通用户等，Mythos 5.1面向高风险领域伙伴。Fable 5.1性能优、价格低，在多测试中表现提升，还能用于科研，且安全防护机制升级。
都在卷「让大模型多循环几遍」，这个7B模型LoopCoder v2说：多循环 1 次就够了
一项新研究表明，7B小模型LoopCoder v2在正常计算外多循环一次，就能在SWE - bench Verified基准上大幅提分。继续增加循环次数，性能反而下降。研究还算了‘收益 - 成本’账，给出选择循环次数的诊断方法。
Claude还是最强，但Anthropic这周好像疯了
Anthropic状告阿里蒸馏模型致其股价创新低。一位87年创业者用AI搭工作流，起初用DeepSeek和Qwen问题多，换Claude后流程顺畅。MRCR v2测试显示国产模型与Claude有差距，便宜与省心模型该怎么选成问题。
Monet：赋予多模态大模型如人类一般的抽象视觉思考能力
文章介绍了Monet模型，它实现了训练MLLM直接在连续隐空间思考的方法，内化视觉思考能力。还阐述了多模态模型隐式推理训练的难点，提出SFT+RL训练框架，构建数据集，经测试，Monet提升了视觉推理能力。
4万亿刀，仅3.6万人！英伟达揭残酷真相：劳动正与财富大脱钩
英伟达市值突破4万亿美元，「每位员工对应市值」创新高，劳动与资本大脱钩现象凸显。科技巨头如苹果、谷歌等新增千亿营收所需员工数递减，沃尔玛非科技领域也有类似情况，还探讨了AGI及投资启示。
长文本生成迎来新突破：拓元智慧推出 DrDiff ，实现效率与质量双提升
拓元智慧联合多团队开发出 DrDiff 框架，解决长文本生成中效率与质量难兼顾问题。其核心是“动态化”，有分层稀疏注意力、动态专家调度、语义锚点状态三个创新组件，经测试表现良好，未来应用值得期待。
登顶！快手发布开源编程模型，720亿参数，创下编程能力新纪录
快手发布开源编程模型KAT-Dev-72B-Exp，在SWE-Bench Verified测试中登顶开源代码模型，与闭源GPT - 5成绩相近。该模型基于自研框架，有架构创新，还集成多种软件工程能力，是构建编程智能体的有力工具。
Computer Use：莫拉维克悖论
2025年AI在数学证明等“高阶智能”任务表现佳，在“像人类一样使用电脑”任务却受挫，再现莫拉维克悖论。文章分析计算机使用智能体是实现AGI机会与挑战，指出发展难题、探讨RL作用并给出研究方向。