「测评榜单」共找到 760 篇相关文章
同时监督和强化的单阶段大模型微调，告别“先背书再刷题”，推理泛化双提升｜中科院&美团等
中国科学院自动化研究所联合美团提出单阶段监督 - 强化微调方法 SRFT，结合监督微调与强化微调，解决传统两阶段方法的不足，在多任务中提升推理和泛化能力。
奥特曼「一张脸」引爆全球狂欢！Sora 2冲上APP榜第三，邀请码炒到1250元
Sora 2上线不到24小时冲上苹果商店榜单前三，其「1换4」邀请码机制和「Cameo自我上传」玩法引发社交传播热潮，邀请码被黄牛炒作。同时，它也引发OpenAI内部争议，CEO奥特曼为其辩护。
AI还不会独自问诊，o3准确率仅为51.12%，上交大×SII开源高难度复杂疾病诊断测评集
上海交大与SII团队开源高难度复杂疾病诊断测评集DiagnosisArena。测试显示，现有大模型在复杂临床诊断任务中表现不佳，o3准确率仅51.12%，且选择题设置无法反映其真实能力。
CVPR 2025 Award Candidate | 英伟达等Difix3D+：用单步扩散模型修复 3D 重建伪影
3D重建领域中，NeRF和3DGS在新视角生成时易出现伪影，影响应用。英伟达团队提出Difix3D+，将预训练2D扩散模型用于3D渲染，单步去伪影，效率高、有泛化力，实验效果领先。
基于大模型的领域场景开发：从单智能体到多智能体的React框架设计与实现
作者团队经历从提示词工程到流程编排模式各阶段，现设计架构升级，选用层级指挥模式的React框架，实现单智能体对工具调用的反思规划，后续还将迭代实现多智能体协作，同时提及技术选型、系统架构等内容。
30天狂刷60万亿Token，光“榜一”就烧掉140万美元！Meta员工搞出“AI Token排行榜”，结果小扎连前250都进不了？
Meta员工开发“Claudeonomics”仪表盘统计员工AI Token使用量，引发“Tokenmaxxing”风潮，上线两天因数据“外泄”下线。30天内全公司Token使用超60万亿，“榜一”花超140万美元，扎克伯格未进前250。
阿里开源14B电影级视频模型！实测来了：免费可玩，单次生成时长可达分钟级
昨夜阿里发布14B视频模型Wan2.2 - S2V，仅需一张图片和一段音频，就能生成电影级数字人视频。该模型发布即开源，可在通义万相官网免费体验，单次生成时长可达分钟级。
DeepMind大佬最新暴论：单体大模型穷途末路，未来买的不是模型，是"智能路由"
DeepMind研究员Andrew Trask认为，因Scaling Law对资源需求攀升，AI将成协议而非程序。组合不同厂商模型有优势，当主流榜单同等评分时变革加速，之后人们将买“智能本身”。
李飞飞刚发Atlas，中国开源“同款”已抢跑半年？
9月2日，李飞飞团队发布多模态世界模型Atlas，引发好评。而国内影溯3月就开源InSpatio - World模型，有类似能力。影溯登顶权威榜单，还联合启动大规模空间智能3D数据开放计划。
谷歌nano banana正式上线：单图成本不到3毛钱，比OpenAI便宜95%
昨晚谷歌图像生成与编辑模型nano banana上线，正式名gemini - 2.5 - flash - image - preview。它有强大能力，成本低，有多种玩法，上线后测试火爆，在多个榜单成绩优异。