「推理能力评测」共找到 4875 篇相关文章
DeepSeek新大招曝光：下一步智能体
知情人士爆料，DeepSeek正开发有更强AI Agent能力的新模型，预计年底推出。此前DeepSeek-V3.1已具备更强Agent能力，在工具使用与智能体任务中表现提升。业内对其入局智能体看法不一。
为什么 Agent Memory需要 AML：看 AML “变量控制”的工程设计
传统 Agent 记忆评测有水分，近日放榜的 Agent Memory Leaderboard (AML) 通过严格控制变量构建盲测管线。文章从技术架构深拆其工程细节，还分析了首期榜单，指出其重构评估变量的价值。
资本视角下的智造落地战：五位投资人划定关键赛道与投资红线｜甲子引力X
在「2025甲子引力X中国科技产业投资大会」上，五位投资人共议智能制造。他们认为当前制造业面临降本增效等挑战，投资时“团队”是关键，中国智能制造在多领域有成长空间，创业者要内修能力、外抓需求。
弃 Python 拥抱 JVM，Spring 之父 20 年后再造“革命性框架”：我从未如此确信一个新项目的必要性
Spring 之父 Rod Johnson 开源专为 JVM 生态设计的 AI 智能体框架 Embabel，旨在弥合生成式 AI 的‘承诺’与‘现实’差距。它采用 GOAP 方法保证确定性，有弹性执行与动态重规划能力，还引入多种机制确保可控性与安全性。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。
谷歌最新 Gemini Agent 爆击GPT-5.2？人类最后考试得分见分晓！网友：Altman又该发“红色警报”了
在全球人工智能竞争升温之际，谷歌与 OpenAI 同日更新。谷歌推出全新 Gemini Deep Research 工具，能力提升显著，还开源基准、推交互 API；OpenAI 发布 GPT - 5.2。两者竞争激烈，差距微小，都在争夺智能体框架标准主导权。
谷歌新论文把内存股价干崩了！KV cache压缩6倍，“谷歌的DeepSeek时刻”
谷歌研究院推出TurboQuant压缩算法，可将AI推理中最吃内存的KV cache压缩至少6倍且精度零损失，还能8倍加速计算。虽引发存储芯片巨头股价下跌，但目前只是实验室成果，仅解决推理阶段内存问题。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
入局AI Infra：程序员必须了解的AI系统设计与挑战知识
文章分享传统后台工程师技术栈和方法论如何迁移到AI系统，系统性拆解AI Infra的硬件、软件、训练和推理挑战，如硬件从CPU到GPU、软件依赖深度学习框架，还分析训练和推理面临的问题及解决办法。
实测字节扣子空间：AI 播客比真人丝滑，Agent 能打 80% 的工
本文对字节跳动旗下 Agent「扣子空间」进行实测。它上线新玩法一键生成播客，相比通用 Agent 能力更丰富。此外，它还具备搜图、深度分析、写代码、开发网站等功能，兼具通用能力与低代码开发特点。