「基准数据集」共找到 3265 篇相关文章
开源模型两个月内杀死比赛
过去60天，Vercel AI Gateway调用数据显示，开源模型Token调用份额从28%涨至62%，反超闭源模型。英伟达60亿美元入局扶持，闭源虽推新降价仍失领先，开源走向大规模应用。
大模型最后一层竟是推理累赘？绕开对齐税，奥数准确率暴涨 22.4%！
Qwen团队等最新研究打破传统认知，揭示‘对齐税’现象。提出置信解码策略，在多架构、评测集上表现出色，能绕过‘对齐税’，提升推理准确率，且工程开销低，为大模型发展提供新思路。
机器人的“ChatGPT时刻”为何迟迟未来？
俄勒冈州立大学教授乔纳森和前 Google X 高管汉斯探讨机器人有无“ChatGPT 时刻”。指出机器人领域难现单一突破，需工程实践、工具配合和数据积累，还从多方面分析了面临的问题。
G2ConS将微软GraphRAG的成本被打下来了~
传统Text - RAG处理多跳推理表现不佳，GraphRAG虽能提升准确率，但成本高。作者提出G2ConS方案，在3个多跳QA基准全面SOTA，平均节省30%费用，EM提升31.44%，整体流程仅3步。
AEPO：智能体熵平衡策略优化，让探索更稳，推理更深！
中国人民大学与快手团队联合提出 AEPO 算法，解决熵驱动式智能体强化学习训练不稳等问题。它设计两项核心机制，在 14 个基准上优于主流算法，在 X 等平台获高关注。
字节发布通用游戏智能体！5000亿token训练，用鼠标键盘吊打GPT-5！
字节seed团队打造通用游戏智能体Game-TARS，基于键盘—鼠标动作空间训练，用超5000亿标注量级数据，结合新技术提升扩展性和泛化性，在多类游戏任务中表现超越GPT - 5等模型。
RL 将如何提高具身大模型 VLA 泛化性？清华大学团队NeurIPS 2025文章分析 RL 与 SFT 泛化性差异
清华大学团队在NeurIPS 2025发表文章，揭示强化学习（RL）提升具身大模型VLA泛化能力的优势，对比其与SFT差异，还提出评测基准和训练方法，为VLA训练提供新方向。
Depth Anything再出新作！浙大&港大出品：零样本，优化任意深度图
浙江大学与港大团队推出「Prior Depth Anything」，融合深度传感器数据与AI深度图，一键补洞、降噪、提分辨率。无需额外训练，可提升3D模型深度质量，零样本刷新多项深度处理纪录。
让RAG告别断章取义，HiChunk做到了~
现有RAG评测忽视文档切分，腾讯优图提出HiCBench评测基准和HiChunk框架。HiCBench含人工标注多级切分点与证据稠密QA，HiChunk用微调LLM建多级语义树，配Auto - Merge算法，实验效果佳。
开源复现o3图像思考！快手让AI不再被动看图，模型自主生成代码调用工具
Kwai Keye团队提出Thyme新范式，构建技术方案，赋予开源模型“超越图像思考”能力。包括设计训练策略、构建开源配套资源，拓展多模态模型工具使用与决策水平，在基准测试中性能提升显著。