「推理能力评测」共找到 4875 篇相关文章
拒绝强行AIGC！| 一种安全实用、准确率高的Text2Sql方案
在金融、医疗等对精确性、透明度和安全性要求高的领域，完全依赖大模型NL - to - SQL能力易出错。本文提出基于函数调用LLM的新范式，将LLM能力聚焦于调用预定义功能函数，提升了数据检索的准确性、透明度和可维护性。
英伟达&MIT等推出Long-RL，长视频训练速度翻倍
英伟达联合MIT等推出Long - RL，它是面向长序列推理和多模态强化学习的全栈训练框架，能提升RL训练数据长度上限，让训练速度翻倍。其核心MR - SP并行框架可降低训练耗时和显存，LongVILA - R1是其明星应用。
体验完微信Agent以后，我觉得这就是微信有史以来最大的更新。
作者获微信小微内测资格，深度体验后认为这是微信最大更新。微信Agent打通原生能力有超预期之处，但智能程度不足。功能上有亮点也有限制，如通讯录操作谨慎、小程序适配佳，还能生成小工具。
The Batch: 859 | Qwen3 的自主智能新进展
不到两周前 Kimi K2 超越其他开源非推理模型，如今阿里巴巴发布基于早期 Qwen3 - 235B - A22B 的三款新大语言模型权重，介绍了输入输出规格、架构设计、性能表现、使用方式等，还进行了性能对比。
拆解 Claude 5.1：38 小时不睡觉的背后，Anthropic 正在终结「模型论」
Anthropic 更新 Claude 5.1，推出 Fable 5.1 和 Mythos 5.1，将‘智力’与‘权限’物理剥离。前者负责通用任务，后者面向专业场景。此次更新展示模型解决长时任务状态一致性等问题的能力，还体现了能力权限分离等变化。
4万星开源项目被指造假！MemGPT作者开撕Mem0：为营销随便造数据，净搞没有意义的测试！
高人气开源智能体记忆项目Mem0在论文中称在LOCOMO上打败所有人，MemGPT联合创始人公开指控其测试无意义、数据造假。二者都为解决大模型长期记忆问题，Letta认为能力比工具重要，并给出评估智能体记忆能力的方法。
Reasoning的最终答案可能不是模型想要的答案！
大型语言模型解决复杂问题有推理过程和答案，传统评估只看最终答案。论文提出最终答案可能不佳，中间步骤更值得研究。还介绍通过切割推理过程发现中间步骤藏玄机，提出‘分步检查法’提升模型表现，实验表明准确率最高提升13%等。
对谈黄灯：普通二本学生的出路在哪里？
高考季，与《我的二本学生》作者黄灯对谈二本学生出路。指出学历非唯一，能力和热情更重要。当下就业严峻，高校课程与社会需求脱节，二本学生应提升动手能力，利用AI工具，立足学校和当地找机会。
企业微信给AI写了94份说明书，Claude Code现在能直接干活
北京时间8月17日，企业微信更新，将能力域从7个扩到12个，参考文档扩到94份。介绍了其能操作的业务品类，分析文档权重体现的产品意图，阐述三个设计细节，指出想象空间、机会及坑，强调此次更新比首次更重要。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。