「推理质量评估」共找到 3128 篇相关文章
DeepSeek-R1超级外挂！“人类最后的考试”首次突破30分，上海交大等开源方案碾压OpenAI、谷歌
上海交大联合深势科技团队发布新研究，在“人类最后的考试”（HLE）上获32.1分创纪录。团队推出工具增强推理智能体X - Master、多智能体工作流系统X - Masters并开源，方案表现优于OpenAI、谷歌相关模型。
谷歌Gemini火力全开！实测：原生图像生成新升级确实强
谷歌Gemini原生图像生成功能升级，图像质量更好、文本渲染更准、生成速度更快。可融合图片元素、实时编辑等，能免费试玩，开发者可集成API。实测表现惊艳，也有翻车情况，还能搭配Gemini 2.5 Pro。
半个月暴涨23k+ Star，一行命令让任意软件 Agent-Native！
介绍开源项目`CLI-Anything`，它用CLI作AI Agent与软件桥梁，有全新思路。半个月Github涨23k+ Star，能一键生成CLI，对接真实后端，但也有依赖代码质量、不适闭源软件等局限。
豆包上可以体验 Seedance 2.0 了，我已经试了一下。
Seedance 2.0是字节自研视频生成模型，已接入豆包App、电脑端和网页版。支持文生视频、图生视频、分身视频等，动作自然、镜头连贯，生成质量高，还解决了创作者出镜难题，操作也简单。
OpenAI 3万亿美元测试，AI首战44个行业人类专家！
OpenAI推出GDPval评估体系，通过真实工作任务审视大模型潜力，揭示AI从实验室走向3万亿经济战场的可能。早期测试显示，Claude Opus 4.1表现最佳，GPT系列进步快，模型在部分任务逼近人类专家水平。
The Batch: 882 | Qwen3-Next 提速
阿里巴巴对开源权重模型 Qwen3 全新升级，发布 Qwen3 - Next - 80B - A3B 的 Instruct 和 Thinking 版本权重。其融合新研究成果，推理能耗低、速度快，还优化架构和训练方法提升效率与稳定性。
Claude 急了！模型降智，官方长文用 bug 搪塞？开发者怒怼“太晚了”：承认不达标为何不退钱？
8 - 9 月初Claude模型质量下降，Anthropic发文解释是因三项基础设施漏洞。介绍了三个bug及处理办法，也分析检测难的原因并给出改进方案，但很多用户已不再买账，Claude用户流失问题持续。
追平GPT-4o，数学基测96.3%高分，Hermes4 来了
Nous Research推出新一代大模型Hermes 4系列，其有混合推理和长度控制机制，还能用DataForge“造”数据，经Atropos质检。它在数学等领域表现佳，追平GPT - 4o，是开源AI对巨头的挑战。
NeurIPS近3万投稿爆仓，强拒400篇论文！博士疯狂内卷，AI顶会噩梦来袭
AI顶会现「爆仓危机」，NeurIPS 2025双会场仍难容纳近3万投稿，约400篇已录用论文被拒收。AAAI 2026投稿也破纪录，近7成来自中国。各顶会录用率降、审稿人缺、质量下滑。
一个标点就能迷惑LLM-as-a-Judge！
论文揭露惊人漏洞，一个标点或通用推理开场白就能欺骗最先进的LLM裁判，导致强化学习训练崩溃。研究通过实验验证漏洞，提出Master - RM模型，其FPR近乎0%且保持通用裁判能力。