搜索：物理基准测试

「物理基准测试」共找到 2453 篇相关文章

AI七个月突破数学家“围剿”反超人类！14位数学家深挖原始推理token：不靠死记硬背靠直觉

大模型o3 - mini - high在7个月内，于FrontierMath基准测试中，答题得分从2%提升到22%，超人类团队平均水平。数学家分析其推理记录，发现它靠直觉而非死记硬背解题，但也存在缺乏创造力等局限。

清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。

OpenAI 最强新模型 Astra 或即将发布，它是首个达「关键级」网络安全能力门槛的模型，在测试中表现优异。《The Information》爆料其用「循环深度」技术，能力提升但引发安全专家担忧，该技术可使模型内部计算增多，思维链监控或失效。

神秘具身团队放出一连串Demo视频，其内部代号“MVP”的模型让机器人似人般思考决策。视频展示机器人在不同场景下的表现，如躲避推搡、做家务、机器人协作、高效收纳等，体现对物理规则和人类习惯的理解与自进化能力。

腾讯混元团队开源混元世界模型1.1，它是混元3D世界模型1.0升级版。新增多视图及视频输入，单卡可部署，秒级创造3D世界。有核心突破，能处理多任务，经训练策略优化，多测试表现佳。

光轮智能联合创始人杨海波表示，AI发展让合成数据需求增大。该公司为具身智能行业提供3D合成数据，服务众多头部企业。其优势在于技术视野与路径独特，强调物理交互、人类示范等。还谈及创业要点与AI赛道变化。

LLM大爆发，一天内推出Grok 4.6、Qwen3.8 - Max、DeepSeek - V4 - Pro - 0813三款前沿产品。社区对它们进行多场景测试，如3D场景、Flappy游戏、飞机滑行动画等，并对比了不同模型的性能、价格和输出质量。

作者将LangChain4j文档交代码助手，让其参照构建智能体，设计多智能体系统编写、测试和调试代码。实验展示了LangChain4j优势，还对比监督者和工作流两种智能体实现模式，揭示速度与自主性权衡关系。

英伟达ARC - AGI 2中，4B小模型NVARC以27.64%成绩力压GPT - 5 Pro登顶，单任务成本仅其1/36。亮点是零预训练深度学习法，还靠合成数据、测试时微调等策略。小模型特定领域优化后优势明显。

云计算发展使专有云成企业平衡便利与安全之选，但 AI 冲击其安全范式。阿里云三位专家探讨 AI 时代专有云安全，涉及物理隔离价值、新技术重塑安全逻辑、国产 OS 与芯片协同挑战等，还介绍阿里云方案及未来趋势。