「复杂推理任务」共找到 4039 篇相关文章
医疗AI迎来大考！南洋理工发布首个LLM电子病历处理评测 | AAAI'26
南洋理工大学研究人员构建EHRStruct基准，涵盖11项核心任务、2200个样本，用于评测LLM处理结构化电子病历的能力。研究发现通用大模型优于医学专用模型，提出的EHRMaster框架与Gemini联合后性能超现有模型。
代码智能体占领GitHub！自动修bug、加功能、写文档，一台手机就能指挥
GitHub上新代码智能体Copilot Coding Agent，可自动修bug、加功能、写文档，开发者评价很棒。在手机APP就能操作，还能同时分配多任务。微软宣布VSCode中GitHub Copilot将开源，还发布多项新功能。
二元成功率已经过时！PRM-as-a-Judge才是你需要的具身操作评测框架
传统二元成功率评测具身操作任务有局限，难回答策略推进、执行效率等问题。中科院自动化所等机构研究人员提出PRM - as - Judge框架，含进度势能、OPD指标体系和RoboPulse基准，能细粒度审计执行过程。
大语言模型逻辑评估
现有归因问答评估方法有‘归因短视’问题，研究团队提出 LOGICSCORE 框架，从三维度量化推理质量。在多数据集测试多款 LLM，发现专有、开源模型等存在不同逻辑问题，还分析典型逻辑错误。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
Anthropic这两天真没闲着：上线网页版Claude Code，还让Claude搞科研
Anthropic推出Claude Code网页版，无需本地安装命令行工具，还提供Claude iOS应用预览版。其有并行处理多任务等亮点。此外，还发布Claude生命科学版，搭载Claude Sonnet 4.5模型，能助力科研。
刚刚，字节开源Seed-OSS-36B模型，512k上下文
深夜，字节跳动Seed团队开源Seed-OSS系列模型，含三个版本。其用12万亿tokens训练，在多基准测试表现出色。有灵活推理预算控制等特性，原生支持512K上下文窗口，基准测试成绩佳。
Claude推出Agent View：一次管理所有编码会话
Anthropic为Claude Code新增Agent View功能，可集中管理编码会话，已开放研究预览。开发者操作路径清晰，早期用户总结出实用玩法，解决了常开多任务的切换难题，目前部分计划可体验。
账号与身份防线全面失守：黑灰产 Agent 化攻击下，如何用“第一性原理”重建防线？
11月13日Anthropic报告显示，黑客利用AI Agent化能力发起复杂攻击，网络安全面临转折点。数美科技CTO梁堃指出黑灰产完成‘智能化’改造，传统防线失效，并提出防御方法。
刚刚，DeepSeek官宣V3.1发布，Agent 能力较大提升
DeepSeek官宣V3.1发布，核心特性有混合推理架构、思考效率提升、Agent能力增强。产品形态含官方App/网页端和API升级。性能在编程、搜索智能体及思考效率上显著提升。