「推理能力评测」共找到 4863 篇相关文章
拒绝不必要Think：微软&北大提出第一种自适应大型混合推理模型
大型推理模型冗长思考开销大，微软研究院和北大提出大型混合推理模型（LHRMs），它能依查询上下文决定是否思考。介绍了两阶段训练流程、评估指标，实验显示其超越现有模型且效率高。
蚂蚁开源MedResearcher-R1医学知识图谱+多跳推理
医学领域需处理复杂关系，现有医学AI系统缺乏对罕见实体和复杂关系的推理能力。MedResearcher - R1通过专门图谱和检索工具，结合两阶段训练范式解决问题，在医学基准测试取得新成果。
一篇讲透Agent自进化飞轮怎么搭：评测→记忆→落地→控制
文章指出多数团队评测、记忆、Self - Improve 拆分做，飞轮难转，原因是环节衔接断链。基于行业研究及实践，提炼评测→记忆→落地→控制四齿飞轮方法论，阐述各环节核心矛盾、建设要点、避坑指南及咬合形成飞轮的方法。
视觉强≠能干活！清北普林斯顿等开源WorldArena，世界模型评测被颠覆
2026 年 2 月 13 日，清华、北大等顶尖机构联合推出的 WorldArena 面向全球开源。这是首个‘功能 + 视觉’统一评测体系，撕开了‘美丽视频’伪装，让评测从‘审美导向’走向‘功能导向’。
Show me《指环王》！卡帕西强推大模型评测新基准
大神卡帕西宣称Anthropic用《指环王》给大模型评测上强度，这一‘指环王基准’正接替‘鹈鹕骑自行车’SVG测试。虽Opus 5生成的画面粗糙，但网友测试展现出丰富创意，不过新测试也引发争议。
鹏城实验室 X 中大hcp实验室推出 RADAR : 具身智能评测的新标杆
RADAR是鹏城实验室与中大hcp实验室为具身智能领域设计的评测基准，解决现有评测体系三大缺陷，通过创新设计揭示模型不足，为研究者提供方向，推动具身智能实用化。
英伟达力荐，小团队两个月开源一款「光速级」智能体推理引擎
智能体时代算力需求庞大，LightSeek Foundation 小团队 2 个月打造大模型推理引擎 TokenSpeed，有 TensorRT LLM 性能、vLLM 易用性，受英伟达力荐且已开源，为智能体负载提供近「光速级」推理能力。
性价比搏击：Grok 4 Fast 推理成本直降 98%
xAI上周五发布旗舰模型轻量化版Grok 4 Fast，推理成本直降98%。它通过强化学习在基准测试表现佳，有原生工具调用能力，采用统一架构，性价比高，或改写大模型竞争规则。
大模型越反思越错，原来是长链推理通过自我说服加重幻觉 | 北邮
北邮研究团队通过思维链审计实验，揭示大模型长链推理‘越想越错’现象背后的元认知偏差。研究基于RFC协议文档构建受控知识域，分析推理过程，发现反思会加重幻觉，且现有检测方法难以应对。
奥特曼：ChatGPT只是意外，全能AI智能体才是真爱！Karpathy：7年前就想到了
当全球为ChatGPT喝彩，OpenAI的MathGen团队秘密锻造AI「推理」能力，打造全能AI智能体。OpenAI坚信推理能力可复制到各领域，未来AI智能体将颠覆一切，如今围绕人才的战争已白热化。