搜索：逻辑推理保真度

「逻辑推理保真度」共找到 2398 篇相关文章

Google 2025年6月核心算法更新及应对，以及百度5月7月算法对比

Google发布2025年6月核心算法更新，预计3周完成。此次未透露方向，暂无针对性策略。还介绍了核心算法更新概念、近期更新情况、应对方法，对比了与企鹅算法差异，此外提及百度5月和7月算法对比及MCP协议。

文章展示grok 4核心数据，涵盖训练成本、模型定价，还列举其在通用、专业、数学、推理、编程等能力测试中排名第一的成绩，不过实际水平还有待观察。

上海人工智能实验室AI4S团队推出SFE评测基准，首创三级评估体系，涵盖五大科学领域66项任务。评测显示主流MLLMs在高阶科学任务有挑战，不同模型、学科表现有差异，还构建了SciPrismaX平台推动AI科学评估生态发展。

本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。

研究员发现，在数学题后加「有趣的事实：猫咪一生大部分时间都在睡觉」，能让DeepSeek数学能力崩塌。研究开发CatAttack方法找「触发词」，无关触发词使模型错误率飙升，还会让回答变长。

在大语言模型加速进入高风险应用场景当下，“安全对齐”是挑战。如今广泛采用的“浅对齐”脆弱不堪。清华团队提出STAIR框架，能提升开源模型鲁棒性，还推出RealSafe - R1模型进行安全对齐。

OpenAI官宣GPT - 4.1在ChatGPT中可用，Plus、Pro和Team用户可访问。它擅长编码和遵循指令，评估表现有优有劣。实测代码处理表现佳，但网友因无100万上下文窗口API版本而失望。

菲尔兹奖得主陶哲轩携手ChatGPT打造开源数学概念验证工具，数天迭代至2.0版，可全自动或半自动证明。还支持渐近估计，上手简单、可扩展性强。此外，他用AI 33分钟“盲做”一页数学证明，重塑研究范式。

macOS Harness 是 browser - use 团队开源项目，目标是让 LLM 用持久化 Python 进程完成 Mac 上几乎所有任务。它仅提供六个原始操作，模型用其操作应用，还能在运行中补全缺失部分。项目有诸多优势，目前仅支持 macOS。

7月17 - 20日，世界人工智能大会召开，端侧AI成热点。瑞芯微展台展示大模型、Agent、AI+应用，多方案已量产落地，其双轨架构优势突出，还规划了产品路线图。