「基准表发现」共找到 1843 篇相关文章
用于评估AI Web渗透测试能力的工具：XBow Bechmark,比靶机更好
文章介绍了用于评估AI Web渗透测试能力的XBow Benchmark，它已在github开源。该基准含104个Web安全挑战，涵盖多种漏洞，设计确保可重复性和状态持久性，其评估能力获广泛认可，还介绍了开源内容等。
ICLR 2026惊现SAM 3，分割一切的下一步：让模型理解「概念」
9月12日，匿名论文‘SAM 3: SEGMENT ANYTHING WITH CONCEPTS’登陆ICLR 2026，外界猜测出自Meta。SAM 3定义了可提示概念分割任务，性能比之前系统提升至少2倍，在多基准测试获SOTA成绩，但也有人质疑是旧概念包装。
EMNLP 2025 | CARE：无需外部工具，让大模型原生检索增强推理实现上下文高保真
MetaGPT等机构团队发布CARE框架，可让LLM将推理上下文与自身检索能力结合，已全面开源。它提出原生检索增强推理范式，采用两阶段训练策略，在问答基准实验中表现出色，为解决模型问题提供新路径。
OpenAI商业帝国野心初现，ChatGPT上线“即时结账”功能：聊天就能直接下单
OpenAI为ChatGPT推出“即时结账”功能，由代理商业协议（ACP）支持，可将用户产品发现对话转化为购买行为。商家能在需求源头捕获消费意向，用户可在对话内完成购买。目前仅在美国向美商开放。
其实，扩散语言模型在最终解码之前很久，就已确定最终答案
随着扩散语言模型（DLM）发展，它成自回归（AR）模型有力替代。但实际推理慢于 AR 模型。研究者发现早期答案收敛现象，提出 Prophet 策略，实验显示其能在保持高质量生成时显著加速推理。
一个Bug改通宵！用AI写超50%代码，只有32%资深开发者敢这么干
Fastly对美国开发者做AI生产力调研，发现高级开发者用AI交付代码量是初学者2.5倍，也揭示AI编码隐形成本。高级开发者更信任AI，而初级开发者因经验不足更谨慎，同时调研还涉及绿色编码认知。
李国杰院士：AI4S里程碑式重大成果综述
本文由李国杰院士撰写，对AI for Science近年里程碑式突破做全面综述，涵盖数学、物理、化学等多领域成果，如李雅普诺夫函数构造、AI辅助核聚变等，还探讨了AI4S潜力与挑战。
破解「长程智能体」RL训练难题，腾讯提出RLVMR框架，让7B模型「思考」比肩GPT-4o
腾讯混元AI数字人团队提出RLVMR框架，将‘元认知’理论引入RL，通过奖励‘好的思考过程’解决长程任务中智能体的低效探索与泛化难题，经其训练的7B模型表现出色。
用系统架构思维，告别“意大利面条式”系统提示词
本文作者分享编写系统级提示词经历，指出‘规则清单式’设计有规则打架、维护难、价值稀释问题。引入系统架构思维，构建四层设计框架，给出编译原则与模板，还重构‘AI编程助手’提示词，实现从‘规则管理者’到‘系统设计师’转变。
隐形束缚：RLVR为何无法突破LLM的推理边界？
大型推理模型进展依赖带可验证奖励的强化学习（RLVR），但它能否扩展模型推理能力存疑。本文通过理论证明与实验，揭示RLVR存在“隐形束缚”，只能在基座模型初始能力内优化，难以发现新解。