搜索：物理基准测试

「物理基准测试」共找到 2449 篇相关文章

ClockBench：一个简单的钟表测试让AI全线溃败

ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。

3月2日，小鹏汽车宣布第二代VLA正式推送。何小鹏认为，端到端小模型无法让自动驾驶从L2跨越到L4，而第二代VLA开创全新物理模型范式，能直接学习真实物理世界，还在不断迭代提升。

HexStrike是开源渗透测试工具，以MCP为底座。其核心智能组件IntelligentDecisionEngine是专家系统，将安全专家经验规则化，通过知识库和算法提供工具选择和参数优化，提升渗透测试效率。

近日，斯坦福、英伟达、Together AI 等联合开源全新测试时新范式 TTT - Discover，在测试阶段用强化学习微调模型，以刷出 single best 结果，用几百美元就刷新诸多领域 SOTA。

xAI的Grok 4在ARC-AGI-2测试中获15.9%，成全球最强公开AI模型。ARC Prize主席还原测试过程，虽成绩亮眼，但网友有质疑，且离人类表现差距大。Grok 4在多基准测试领先，定价便宜。

当前AI软件领域代码生成智能化发展快，但测试验收仍靠手动，效率低。MetaGPT推出用户智能体，研究团队发布RealDevWorld框架和AppEvalPilot实现端到端自动化评测，解决复杂软件质量评估难题。

GPT - 5首次通过「哥德尔测试」，破解三大组合优化猜想。研究由海法大学和思科主导，团队设计五项测试任务，GPT - 5在三个简单问题上近乎完美，还推导出不同解法，标志AI从「学习数学」迈向「做数学」。

纽约时报消息，61岁贝佐斯创立Project Prometheus进军物理AI，亲任联席CEO。公司获62亿美元资金，员工上百人，从顶级AI公司挖人。该领域已有大厂及离职人员入局，竞争激烈。

本文阐述天猫技术团队在AI赋能测试领域的实践，讲述智能测试用例生成落地路径。介绍业界现状与天猫业务特性，给出实施策略，展示应用效果，还指出问题并对未来发展做了展望。

2026年AAAI大会上，物理学家Daniel Whiteson演讲探讨机器学习与基础物理。指出粒子物理用还原论解释宇宙，虽发现基础粒子，但仍有诸多未知。粒子对撞实验复杂，需机器学习辅助，深度学习已广泛应用，还能助力发现新粒子。