「学术基准测试」共找到 2194 篇相关文章
在ICLR 2026主会之前，我们和30多位入选者聊了聊最前沿的AI细节
4月14日，智源社区、DeepTech联合举办ICLR 2026预讲会。会议聚焦顶会核心精华，三十余位论文作者分享AI Agent、大语言模型等热门领域成果，展示解决大模型痛点的研究。
首个用户生活「长程模拟器」来了！LifeSim 重新定义大模型个性化评测
现有个性化助手评测基准与真实用户-助手交互脱节，来自复旦大学等的研究人员提出 LifeSim 框架及 LifeSim-Eval 评测方法。实验显示主流 LLM 处理显性需求尚可，隐性意图识别等方面短板明显。
最强Claude模型提前曝光！附带Anthropic三千份保密档案在线裸奔
向来标榜安全的Claude因权限配置失误，新模型Mythos提前曝光，还泄露3000份保密档案。Mythos比Opus 4.6更强，公司虽在测试但因安全风险限制发布，也有人质疑信息真实性。
刚刚，英伟达革了自己的命：智能体自主进化7天，干掉所有算子工程师、GPU专家
英伟达新研究AVO构建了新型进化变异算子，用自主编码智能体取代经典方法。智能体7天自主进化，优化MHA内核，性能超cuDNN和FlashAttention - 4，还能快速适配GQA，展现强大泛化能力。
手残党跪了，Pi 0.6机器人15分钟学会拧螺丝，能进厂边干边学了
具身智能领域 Physical Intelligence 公布新进展，借助「RL token」法，让机器人短时间掌握精细操作。该方法给 VLA 加「外挂」，使机器人进化快、学习效率高，在多项任务测试中表现出色。
Claude Code也要龙虾化！凌晨床上发条消息，Mac Mini瞬间亮屏狂敲代码
Claude Code团队宣布新增Channels功能，可通过MCP控制会话，首批支持Telegram和Discord。用户能手机远程控制AI写代码，目前已灰度测试。不过其功能依赖会话存活，后续或接入更多平台。
谷歌Gemini杀入全球桶，血洗微软Office！颠覆全球3亿打工人
谷歌官宣Gemini全面升级版Workspace体验，全线接入Docs、Sheets、Slides。在SpreadsheetBench测试中成绩出色，谷歌Workspace更个性化实用。新功能覆盖文档、表格、幻灯片及云盘，还明确数据边界，欲定义下一代办公软件。
吴恩达复盘百度岁月：我带过的自动驾驶、智能音箱都成了！Altman 我也带过，但 Gemini 3 比 ChatGPT 强
吴恩达团队提出新版图灵测试，重新界定 AGI。他参加播客谈及 AI 发展关键议题，认为 AGI 短期内难实现，规模化时代未结束但非唯一路径，AI 不会大面积取代岗位，中美 AI 各有所长。
阿里达摩院开源具身大脑基模：3B激活参数性能超越72B，转身就忘事的机器人有救了
阿里达摩院开源RynnBrain具身大脑基础模型，全系列7个。它是业界首个有 时空记忆的模型，在20项具身Benchmark上超顶尖模型。具小而美优势，训练用自研架构提效，数据丰富，输入输出灵活。
Qwen3-Max-Thinking：会想能干，比强更强
正式推出旗舰推理模型 Qwen3 - Max - Thinking，其在多关键维度显著提升，性能媲美顶尖模型。引入自适应工具调用和测试时扩展技术，现已上线 Qwen Chat，API 也开放，还介绍了使用方法。