「评测领先」共找到 1022 篇相关文章
谷歌前CEO施密特：中美大模型之间存在一个显著区别
7月26日世界人工智能大会上，谷歌前CEO埃里克·施密特与沈向洋对话，指出过去两年中国AI技术进步巨大。他认为中美领先AI模型有显著区别，中国部分模型开放权重，美国多数领先模型封闭。他期待中美合作应对AI变革。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
R-HORIZON：长程推理时代来临，复旦NLP&美团LongCat重磅发布LRMs能力边界探测新范式
复旦大学与美团LongCat Team联合推出R - HORIZON，它是首个系统性评估与增强LRMs长链推理能力的方法与基准。提出Query Composition方法构建评测基准和训练数据，评测发现主流模型长链推理性能断崖式下降，还分析出三大瓶颈，训练后模型性能双重提升。
这次，钉钉领先半目
钉钉发布会前，阿里成立Alibaba Token Hub事业群，设悟空事业部，钉钉归入其下。无招回归后思考AI时代钉钉形态，革故鼎新，推出真经系统等，在制造业案例展现优势，强调可编程企业概念，悟空有望带来新商业想象。
英伟达：祝贺谷歌TPU成功，但GPU领先一代
谷歌凭Nano Banana Pro、Gemini 3大获全胜，且Gemini 3用自研TPU。谷歌向客户推介TPU本地部署方案，欲抢占AI芯片算力市场。英伟达紧急发声强调自身核心地位，还砸钱拉拢大客户。
OpenAI 发布《在AI 时代保持领先》企业实战白皮书
OpenAI发布《Staying ahead in the age of AI》白皮书，用数据凸显AI发展态势，基于合作经验总结出Align、Activate、Amplify、Accelerate、Govern五个实战原则，助企业应对AI浪潮。
The Batch: 954 | Kimi K2.6 挑战开源权重模型领先者
Moonshot AI升级后的Kimi K2.6是1万亿参数的视觉 - 语言模型，专为代码生成设计，性能与Qwen3.6 Max Preview等相当，略逊顶级闭源模型。其功能多，幻觉率低，模型权重可免费下载。
AI能否独立开展科研？ASI-Bench为科学自主性建立评测标尺
ASI-Bench是衡量AI系统科学自主性的基准测试，由多机构联合开发。它能测试AI通用智能、创新性和执行力，通过信息梯度设计，让模型在不同指导量下完成科研任务，结果显示当前AI离自主科研有明显距离。
BrowseComp等评测集第一，秘塔推出「深度研究」，已开启免费公开访问
世界变化快，AI领域新概念不断。秘塔在上线“浅度研究”五个月后，将其升级为“深度研究”。该模块最初由OpenAI推出，秘塔版可免费公开访问，准确率优，还让研究过程可见。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。