「基准构建」共找到 2651 篇相关文章
烧2万亿美元却难用？Gary Marcus狂喷AI赛道不靠谱：推理模型只是“模仿秀”，OpenAI一年后倒闭？
知名AI专家Gary Marcus在访谈中称，世界在神经网络投入巨资，但大语言模型无法实现AGI目标。他指出其推理模型是“模仿秀”，会出现幻觉，还预测OpenAI或被微软收购。
推出 AnyLanguageModel：在 Apple 平台统一本地与远程大语言模型的 API
大语言模型是构建现代软件的重要工具，但 Apple 平台开发者集成模型困难。Hugging Face 发布 AnyLanguageModel，是 Swift 包，可替代 Apple Foundation Models 框架，支持多模型服务商，降低使用 LLM 难度。
Claude Cowork唱罢，开源Clawdbot登场！
本文介绍开源专属个人AI助手Clawdbot项目，已33.7k Star。阐述其功能，如整理文件、处理邮件等；对比与Claude Cowork异同；还探讨个人AI助手生态系统架构，认为它代表未来AI应用落地方向。
奥特曼小号泄密：OpenAI代码工作100%交给Codex！工程师才揭底Codex“大脑”运行逻辑，碾压Claude架构？
近日，OpenAI工程师揭秘Codex“大脑”运行逻辑，介绍其智能体循环及构建提示词等过程。还提及用1个PostgreSQL主库和50个只读副本顶住8亿用户，同时持续探索数据库性能极限。
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
世界模型+强化学习=具身智能性能翻倍！清华&加州伯克利最新开源
具身智能发展中样本效率成瓶颈，传统无模型强化学习依赖盲目试错。清华与加州伯克利团队提出BOOM框架，通过自举循环机制解决在线规划与策略学习矛盾，实验表现卓越，为具身智能落地提供支撑。
谷歌发布适用于多智能体的八种设计模式
谷歌发布多智能体系统八种核心设计模式指南，涵盖顺序流水线到人工介入架构等范式，对每种模式清晰解释，还附谷歌 Agent Development Kit 示例代码，助开发者结构化设计系统。
GPT-5.2考赢人类！OpenAI警告：大模型能力已过剩，AGI天花板不是AI
GPT - 5.2在ARC - AGI - 2基准测试超人类，Poetiq系统让其准确率从60%提至75%。OpenAI称大模型进入‘能力过剩’阶段，未来AGI进展不止靠模型，更需人机协同。
让两个大模型「在线吵架」，他们跑通了全网95%科研代码｜深势发布Deploy-Master
科学计算领域开源软件多，但多数无法直接运行，制约可用性。Deploy - Master 针对此开发，通过搜索筛选工具、双模型博弈构建，将部署成功率提至 95%以上，为 Agentic Science 提供行动基座。
泛娱乐 AI 赛道观察： 从「猜你喜欢」到参与共创，角色才是 AI 时代最核心的资产
文章围绕AI泛娱乐产品展开，指出AI时代产品观应从二元对立转为三元共生。AI可实现个性化体验，从“猜你喜欢”到“与你共创”。还分析了不同体验心态及案例，强调角色是核心资产，未来产品可降低门槛、扩圈发展。