「基准测试集」共找到 2451 篇相关文章
不换模型，效果提升104%！上海AI Lab让Harness也能自进化了
上海人工智能实验室团队提出的Self-Harness引发关注，它针对Agent外层Harness改进。实验显示，在Terminal-Bench-2.0上，不换模型只改Harness，Qwen3.5-35B-A3B等模型效果显著提升。
大模型最后一层竟是推理累赘？绕开对齐税，奥数准确率暴涨 22.4%！
Qwen团队、清华和南洋理工研究打破传统认知，揭示‘对齐税’现象。提出Confident Decoding策略，在多架构和评测集实验中表现出色，开销低，挑战‘LLM最后一层最优’常识。
机器人学会“脑补”触感，叠衣服端茶水成功率暴涨90%
近年来，人形机器人研发从行走转向复杂操控，但处理精细家务表现逊色。卡内基梅隆大学联合博世人工智能中心团队提出 HTD 模型，让机器人预判触觉，在 5 项任务上成功率提升 90.9%，部分代码开源。
腾讯大模型动作慢了吗？姚顺雨带着Hy3 preview杀进第一梯队
国内大模型发展迅速，腾讯此前动作较慢。姚顺雨加入后推动变革，混元团队重建推出Hy3 preview，有295B总参数和快慢思考融合架构，开源且性能优，在多方面表现出色，成本下降。
特斯拉开源硬件，中国团队开源大脑！首个具身智能顶配全家桶上线
4月特斯拉宣布人形机器人Optimus技术开放，国内智平方推出全球首个具身智能模型开源社区AlphaBrain Platform，提供全链路技术栈。该平台亮点多，还适配最新具身Benchmark，打破实验室围墙，推动技术突破。
蚂蚁技术研究院副院长吕乐当选美国医学与生物工程院（AIMBE）Fellow
美国医学与生物工程院（AIMBE）公布2026届Fellow入选名单，蚂蚁集团技术研究院副院长吕乐博士当选。该机构Fellow评选是领域最高荣誉之一，仅授予全球前2%顶尖人才。吕乐在医疗AI贡献突出。
Anthropic 那个“强到不敢发”的模型，终于来了！
今天凌晨，Anthropic 发布新模型 Claude Mythos Preview，它曾被指‘强到不敢发’。该模型能力跃升，尤其网络攻防能力突出，但因具‘双重用途’仅向少数伙伴开放，用于防御性网络安全项目。
跨越智能体落地的可信鸿沟：玄甲（AgentWard）全链路防御操作系统正式发布
大模型向自主智能体演进，安全威胁全域化。当前安全方案有局限，制约产业落地。清华大学团队推出玄甲全链路安全防御操作系统，构建五层纵深防御体系，已落地应用，降低安全事件发生率，筑牢安全防线。
开源一周狂揽 7.6K Star！这个爆火的「同事.skill」可以将“数字遗产”炼成 AI！
开源项目colleague-skill上线不到一周获7600+ Star。它由@titanwings开发，可凭同事材料生成能替其工作的AI Skill，有双层架构、多源采集等亮点，还介绍了使用方法与项目结构。
告别AI「鬼画符」！一行指令「复活」王羲之、苏轼，带连笔、懂排版，项目已开源丨ICLR'26
UniCalli由香港科技大学（广州）等团队推出，是全新统一扩散框架，能精准生成书法排版和连笔，将书法生成和古籍识别统一，工作被ICLR2026接收，代码、数据集开源，还有在线Demo。