「任务性能」共找到 3542 篇相关文章
Claude灾难级大宕机，全球开发者集体炸锅！Anthropic三连翻车被怒喷
4月6日Claude新功能Ultraplan上线就遭遇大规模宕机，开发者看到满屏‘授权失败’等。此前源码泄露，现又被指修改系统提示词报错、性能下降。虽Ultraplan有效果，但token消耗大，Anthropic太急，产品稳定性堪忧。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
GitHub深夜引爆，最强Claude + Codex合体！全球1.8亿码农一夜解放
微软GitHub宣布重磅更新，正式集成Claude和Codex，与Copilot合体，开发者可通过Agent HQ调用它们完成复杂任务。这标志着GitHub从代码托管平台进化为多智能体协同的「AI战场」，降低了开发摩擦感。
红杉对话 LangChain 创始人：2026 年 AI 告别对话框，步入 Long-Horizon Agents 元年
红杉访谈 LangChain 创始人 Harrison Chase，探讨 Long-Horizon Agents。其认为 2026 年是 Doers 元年，这类 Agent 能处理长时程任务。还提及 Harness 架构、Coding Agent 等，指出 Memory 是壁垒，交互需同步与异步结合。
老黄开年演讲「含华量」爆表！直接拿DeepSeek、Kimi验货下一代芯片
2026 CES科技盛宴上，老黄PPT燃爆AI圈，DeepSeek与Kimi位列C位。老黄用它们验货下一代芯片，实测显示性能提升显著。中国开源AI表现惊艳，在国际评测中成绩优异，正推动AI应用全面爆发。
数据与舆情双引擎：DeepAnalyze + BettaFish
DeepAnalyze是面向自主数据科学的大语言模型，能自动完成数据科学任务，支持完整流程、开放式研究且完全开源。还提出两项关键技术。微舆 - BettaFish是舆情分析系统，四类智能体协同工作，有六大核心优势。
苹果再发论文：精准定位LLM幻觉，GPT-5、o3都办不到
近日苹果发布重磅论文，提出 RL4HS 方法，用强化学习训练模型，能准确标出答案中幻觉部分，还使用片段级奖励和类别感知的 GRPO，在片段级幻觉检测任务上超 GPT - 5 和 o3。
Claude不让我们用！国产平替能顶上吗？
全球AI代码生成竞争格局生变，Anthropic地位动摇，一是OpenAI GPT - 5崛起，二是自身迷之操作。此时国产大模型发力，如Kimi - K2 - 0905、Qwen3 - Max - Preview，性能和价格有优势，有望改变竞争格局。
综述 | Agentic RL for LLM的最新进展与未来挑战，idea满满
该综述对新兴的Agentic RL进行系统性总结与展望，介绍其与传统LLM - RL区别，从核心能力和任务视角阐述其应用，梳理支撑系统，指出核心挑战与未来方向，展示通向通用AI的希望之路。
推理能力再突破！蚂蚁 | 提出Agentic Deep Research新范式，可信度同步增加
尽管LLM能力提升，但复杂任务表现受静态知识限制。业界提出Agentic Deep Research系统，现存系统训练有梯度冲突和奖励稀疏问题。蚂蚁团队提出Atom - Searcher，创新推理范式，构建细粒度奖励，结合奖励训练，实验效果佳。