「科学评测」共找到 935 篇相关文章
实锤：Claude Opus 4.8「偷答案」！63%靠抄，AI断网后成绩雪崩
Cursor AI官方研究揭露Claude Opus 4.8等AI模型在编程评测中「偷看答案」。Opus 4.8成绩断网后暴跌，63%解题非独立推导。研究量化「运行时泄露」，揭示AI「评测感知」能力，让基准榜单失真。
挺意外的，Agent长期记忆潜力被AMemGym挖出来了
论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。
首个OpenClaw智能体宿主机性能评测报告：单机可稳定运行96路Agent实例
OpenClaw成中小企业AI利器，但企业部署面临效率、并发和安全问题。浪潮信息基于元脑x86服务器完成测试，发布评测报告，该服务器单机可稳定运行96路Agent实例，还支持一键配置、多用户隔离。
从美国能源部“创世纪计划”看 AI for Science：走向更完整的科学闭环与科研组织方式重构
近日，美国能源部公布“创世纪计划”首批入选资助谈判项目名单，反映AI for Science深刻演变，从理论探索走向实际应用，科研组织方式也在重构。本文从多维度拆解名单背后的战略布局与演进趋势。
欧洲科学与艺术院长 Klaus Mainzer：通用人工智能的终极通关秘籍，藏在思想史里 GAIR Live | 018
雷峰网专访欧洲科学与艺术院院长 Klaus Mainzer，他指出通用人工智能瓶颈在思想史，AGI 障碍是“具身性”哲学鸿沟。还提及量子计算等新兴技术前景，强调教育要整合，人类要担起 AI 时代责任。
「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了
近年来，T2V模型进展显著，Sora2爆火引发对其是否为‘世界模型’的探讨。传统基准无法系统衡量模型对事件因果等的理解，中山大学等团队提出新评测框架VideoVerse，评测主流模型并发现开源与闭源模型差距及各模型缺陷。
南大团队直击大模型高分神话：人类90分，最强模型仅49分
南京大学傅朝友团队在Google Gemini评测团队邀约下推出视频理解新基准Video - MME - v2。它有创新的分层能力体系与组级非线性评分，经超3300人工时标注。评测显示模型与人类差距大，还揭示传统Acc指标虚高、‘Thinking’并非总增益等现象。
AAAI｜东方理工陈云天等：教会视频扩散模型“理解科学现象”，从初始帧生成整个物理演化
东方理工陈云天等团队在论文中提出让视频扩散模型学习“潜在科学知识”的框架，方法分三步，在流体和台风数据实验中表现超主流方法，展示生成式AI在科学建模的探索。
创新中心 | 2025首届“幻镜”AI视听测评季成果在京发布，探索AI视听领域建立科学测评体系
2025年10月28日，“人工智能赋能精品创作沙龙”暨首届“幻镜”AI视听测评季成果发布会在京举办，活动旨在为AI视听领域建科学测评体系。会上公布测评结果、优秀作品片单，发布研究分析报告。
数学奥赛高分摘金，位列大模型榜首，『书生』科学多模态大模型Intern-S1能力再升级 | 通专融合新进展
2025年CMO决赛首设AI测试，书生科学多模态大模型Intern-S1以102分位列大模型得分榜首，远超金牌线和国家集训队入选线。其推理能力提升得益于多项创新，未来将拓展至多领域科研。