搜索：基准测试平台

「基准测试平台」共找到 3282 篇相关文章

科学界爆发AI认知污染！1年狂投50篇论文，ICLR投稿20%AI生成

如今AI正污染科学界，出现幽灵引用、虚假数据和图片等问题。论文工厂用模板量产造假论文，审稿人用AI应对，作者还用密令操控AI审稿。预印本平台投稿量暴涨，可能沦为垃圾场，引发认知污染。

近日谷歌CEO官宣Universal Commerce Protocol（UCP），目标让Agent在线购物。它能拆解购物流程，与多协议协同。谷歌补数据底座，UCP集结众多伙伴，Agent加速落地交易场景，或使电商平台重构。

AI跨越关键门槛能完成有经济价值的工作，但也可能产生大量无用内容。OpenAI新测试显示大模型进步快，虽暂难取代人类工作，但智能体工作续航能力大增，人类对其使用方式决定未来。

团队提出关键表征微调（CRFT）方法，通过信息流分析识别和优化关键表征。在八个数学和常识推理基准及两个模型系列验证其有效性，能提高推理准确率，学习参数量低，还适应少样本场景。

斯坦福NLP组发布ProgramBench，用200个完整代码库重建任务测试主流大模型，要求模型仅根据可执行文件还原如SQLite等项目完整代码，结果所有模型实际解决率为0%，说明模型更擅模仿代码表面结构。

2025年末软件行业寒冬，百融云创提出“结果即服务”（RaaS）战略及Results Cloud平台，引发全球热议。其将AI定义为员工，转变了商业风险承担模式，但也面临治理、责任归属等问题。

亚马逊工程师 Joe Mag 分享团队用 Coding Agent 使代码产出效率提 10 倍，但 Bug 风险也放大 10 倍。介绍‘Agentic Coding’工作流，还给出借助 AI 做‘风洞测试’、升级 CI/CD、升级决策和沟通系统等建议。

9月30日，OpenAI发布新一代视频生成模型Sora 2，相比Sora 1有显著提升。同时推出iOS社交应用Sora，类似TikTok。应用有安全措施，已在美加iOS平台邀测。社区反应两极分化，OpenAI野心大但或面临挑战。

长视频理解是多模态大模型关键能力，当前开源模型有短板。智源研究院联合发布 Video-XL-2，多维度优化长视频理解能力，还设计效率优化策略，在主流评测基准表现出色，有广泛应用潜力。

Anthropic的Claude Opus 5上线当天，系统提示词被开发者Eversmile1传到GitHub。提示词含产品说明、法务合规手册、推销渠道内容。其记忆规则严格，版权引用限制多，商业推荐有不同策略。上线24小时能力被广泛测试。