「数学评测」共找到 952 篇相关文章
地平线首曝BPU「黎曼」架构，用数学流形重构AI计算
2025 年 12 月 8 日深圳举办的地平线技术生态大会上，地平线首曝 BPU「黎曼」架构，用数学流形重构 AI 计算。还发布第四代编译器，推出 HSD Together 模式，开源具身智能模型，欲构建物理 AI 世界底层生态。
Agent搜索哪家强？人大高瓴&快手联合发布全新评测基准GISA
人大高瓴与快手联合发布全新评测基准GISA，用于评估智能体搜索能力。它解决了现有基准反向构造、评估维度单一、答案易被记忆等问题，含373个高质量查询，实验显示当前搜索智能体距人类水平差距大。
前两天刚被群嘲，ChatGPT转头就解决了一个数学难题
前些天，OpenAI研究员宣称GPT - 5‘发现’数学难题解法被指只是检索文献引群嘲。但加州大学洛杉矶分校教授用ChatGPT解决凸优化未决问题，还有教授用其发现命题反例，甚至要将其列为论文一作，AI正成研究伙伴。
DeepMind首个猜想库开源，获陶哲轩力挺！
谷歌DeepMind开源首个形式化数学猜想库，获陶哲轩力挺。该库用形式化语言重述数学猜想，为AI提供“标准答案模板”，还采取措施确保准确性，诚邀各方参与贡献。
We-Math 2.0：全新多模态数学推理数据集 × 首个综合数学知识体系
北京邮电大学、腾讯微信、清华大学团队提出We - Math 2.0，含知识体系、数据集及训练策略，可提升模型数学推理泛化能力。该成果在X上获关注，登Huggingface Paper日榜第一。
Seedream 4.0大战Nano Banana、GPT-4o？EdiVal-Agent 终结图像编辑评测
在AIGC下一阶段，图像编辑成检验多模态模型关键场景。研究者提出EdiVal - Agent评估框架，能自动化生成指令并多维度评估编辑结果，其评估与人类判断一致性高，还对比了13个模型的多轮编辑表现。
全球首个跨本体、跨视角、多模态物理世界模型，CurrentWorld-0 来了！
Current Robotics 发布跨本体、多模态物理世界模型 CurrentWorld-0，它从真实数据学规律，整合跨本体、多视角和力触预测，可评测机器人，解决动作可控性等问题，让评测成训练数据入口。
超越宇宙极限：第六位海狸数再次突破，无法用常规数学符号表达
本文介绍「忙碌海狸数」，其前五项为1、6、21、107、47176870。研究人员先后确定前四个数，如今BB(6)再突破，新下界需用新数学符号表达。还回顾探索历程，提及社区用Coq证BB(5)，并指出BB(6)真实值难测。
规范对齐时代：GPT-5 断层领先，让安全与行为边界更明晰
上海交通大学等团队提出规范对齐概念，构建评测基准 SpecBench 评测 33 个主流模型，发现多数模型有不足。还探索测试时深思方法，如 Align3 能提升规范遵循度，GPT - 5 在规范对齐上断层领先。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。