「基准测试集」共找到 2449 篇相关文章
ICML 2025 | 无需训练，即时对齐大模型偏好
上海人工智能实验室提出TPO方案，可让大模型在推理时快速对齐人类偏好，无需更新模型权重。TPO类似文本形式的梯度下降，在多个基准数据集评测中表现出色，还提供“宽深结合”推理拓展策略。
ICRA 2025｜通用多机器人长时任务规划框架破解任务分配难题，成功率+105%、效率+36%
2025年5月，美两校联合团队在ICRA 2025发布LaMMA - P。它融合大模型与PDDL规划器，解决异构多机器人长时任务分配难题，在新基准数据集上，相比SMART - LLM，任务成功率提高105%，执行效率提升36%。
The Batch: 979 | LLM 清理智能体的“垃圾”
研究人员提出选择性管理智能体记忆之法，小红书Xubin Hao等构建Self - GC。它在送上下文给LLM前，让大语言模型决定内容取舍。测试显示其删历史少且保留必要细节能力强，不过未测其输出质量。
用嘴聊出来了一个 APP：实测「码上飞」语音开发有多离谱
本文实测「码上飞」AI 开发平台，它让用户用对话或语音描述需求，AI 就能做出应用。测试了美甲预约、AI 生图、私域自媒体知识付费小程序三个场景，它表现出色，大幅压缩开发成本，助普通人跨过技术门槛。
手机跑推理模型：Liquid AI发布仅需900MB内存的LFM2.5-1.2B-Thinking
Liquid AI发布LFM2.5 - 1.2B - Thinking推理模型，仅需900MB内存就能在手机运行。它专为简洁推理训练，性能提升明显，多数性能基准超Qwen3 - 1.7B，在多平台表现佳，还支持主流推理框架。
Meta发布Omnilingual ASR：支持1600+语言的开源语音识别系统
Meta发布全新自动语音识别系统Omnilingual ASR，支持超1600种语言，核心创新是零样本和少样本学习能力，降低小语种语音识别门槛。项目提供不同规模模型，安装调用简单，目前仅支持40秒内音频，数据集和项目均开源。
NeurIPS 2025 Spotlight | PhysX-3D：面向真实物理世界的3D资产生成范式
论文由南洋理工大学 - 商汤联合研究中心 S - Lab 及上海人工智能实验室合作完成，提出首个系统性标注的物理基础 3D 数据集 PhysXNet 及扩展版 PhysXNet - XL，还提出 3D 生成框架 PhysXGen，实现从图像到真实 3D 资产的生成。
众所周知视频不能P？北大施柏鑫团队、贝式计算CVPR研究：视频里轻松换衣服、加柯基
视频编辑难度高，传统流程繁琐，现有AI方法有局限。北大施柏鑫团队联合贝式计算等提出VIRES方法，能实现视频主体多种编辑操作，还标注VireSet数据集。其在多指标超现有SOTA模型，团队还探索全景级可控视频生成。
VLA不够了？触觉，将改写具身智能新格局
2026 年数据成具身智能竞赛焦点，IEEE 专访机器人学家王煜。他认为 VLA 架构难支撑机器人落地，触觉数据是关键。他与团队提出 VTLA 框架，创立戴盟机器人，发布数据集并开源部分数据，还阐释对具身智能多方面的思考。
刚刚，全球最难考试惊天大反转！黑马AI冲破36%，顶流模型集体翻车
ARC-AGI-3测试中，顶级大模型Opus 4.6仅得0.2%，人类获满分。而Symbolica公司用Agentica框架首日就取得36.08%的成绩。该框架有独特技术路径和策略，但成绩未经验证，ARC-AGI-3被视为通向AGI的‘北极星’。