「数学基准测试」共找到 2303 篇相关文章
T2R-Bench发布：业内首个由表格生成报告工业基准
为解决大语言模型将表格信息转化为报告的难题，研究团队提出“表格到报告”任务，构建双语基准T2R - bench，其涵盖多垂域表格，还设计评价指标体系，实验显示大模型在该基准上提升空间大。
Cloudflare 发布 Dynamic Workers 公开测试版：基于 Isolates 的沙箱环境执行 AI 智能体代码
Cloudflare 推出 Dynamic Worker 公开测试版，面向付费用户。它用 V8 Isolates 运行代码，启动快、内存效率高，基于 Code Mode 理念，用 TypeScript 接口定义 API，有多种防护策略，还发布配套库，已用于生产。
菲尔兹奖得主都栽了！Claude终结78年悬案，或成最重要AI数学成果
78年数学难题“六维球面上有无复结构”被哈佛数学家Levent Alpöge和Claude解决，他们绕开老路造出答案，还给出108页论证，数学家挑不出毛病。Alpöge在35天内三次用AI破难题，这次性质不同，是模型创造新对象。
OpenAI以为GPT-5搞出了数学大新闻，结果…哈萨比斯都觉得尴尬
OpenAI研究员宣称GPT - 5找到10个厄尔多斯数学难题解法，引发全网震动。但DeepMind CEO哈萨比斯指出是营销过度，GPT - 5只是搜到已有答案。OpenAI已删稿，此前GPT - 5有一定数学解题能力。
基于浏览器请求录制与AI代码生成的E2E接口自动化测试实践
文章以阿里云DataWorks为例，介绍通过浏览器录制插件捕获请求数据，结合AI编程工具生成接口封装与测试用例，解决复杂平台自动化测试难题，对比传统与新范式，剖析新范式优势、协作机制等。
面向「空天具身智能」，北航团队提出星座规划新基准丨NeurIPS'25
卫星星座成数字经济时代基础设施，但运行背后规划难题待解。北航刘偲教授团队提出首个大规模真实星座调度基准AEOS - Bench，训练内嵌时间约束的调度模型AEOS - Former，为‘AI星座规划’奠定新技术基准。
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。
大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准
现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。
刚刚，GPT-5 Pro自证全新数学定理！OpenAI总裁直呼颠覆，大佬们集体转发
微软前AI副总裁Sebastien Bubeck让GPT - 5 Pro求解论文中未解数学区间，模型将已知下限从1/L推进到1.5/L，虽论文作者后续超了AI，但此发现仍令人鼓舞，大佬认为AI或改变数学领域。
复读一年，AI 把高考数学成绩从及格线提到 145 分！AI 数学能力发生了什么？
今年媒体让AI做高考数学题，Gemini 2.5 Pro获145分排第一。从去年到今年，AI数学能力指数级增长，这得益于推理模型。推理模型用思维链和强化学习解题，未来高考数学或难区分模型能力。