「推理时纠错」共找到 2623 篇相关文章
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
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。
DeepSeek被「猫咪睡觉」给干崩了……
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。
ThinkChain：一个让Claude边调用工具边思考的开源框架
ThinkChain是展示Claude高级能力的Python项目，其核心创新是将工具执行结果注入Claude思维流，改变AI与工具交互方式。它支持零配置启动，有丰富工具集，还具备交互式命令等特性。
OpenAI诈骗？GPT-4.1正式上线ChatGPT，网友实测却大呼失望
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。
全网惊了！陶哲轩带AI下场，33分钟「盲证」数学
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。
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
Stripe 发布基准测试：AI 智能体可开发集成方案，但校验环节存在短板
Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。
逛完WAIC，我们发现这家芯企已经把端侧AI“场景落地”做实
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。
我去，真有这种，Openclaw 增强工具，ClawRouter 让 AI Agent 自己选模型、自己付钱，还能把 LLM 成本打下来 90%，爽～～
ClawRouter是开源本地LLM Router / Proxy，支持55+模型，能让AI Agent自动选模型、付费，将LLM成本降90%。它解决路由、支付等问题，适合做AI Agent、编程工具等产品的开发者。
让机器人学会「预判接触」：它石智航牵头四大顶尖机构发布TacForeSight，破解精细操作难题
它石智航联合四大顶尖机构发布论文 “TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation”，提出力条件触觉世界模型，让机器人能提前预判接触变化，在真机验证中性能优异。