「基准测试集」共找到 2453 篇相关文章
LLM「拒绝回答」难题有救了！最新研究让AI学会人情世故 | COLM'25
最新研究发现模型规模和通用语言能力与处理敏感内容判断能力无直接关联，开源模型表现不错。通过提出的训练方法，在非推理和推理型模型上缓解过度拒绝问题，提升AI实用性和可靠性。
知识类型视角切入，全面评测图像编辑模型推理能力：所有模型在「程序性推理」方面表现不佳
东南大学等团队提出KRIS - Bench，从知识类型视角对图像编辑模型推理能力评测。它分三大知识范畴、细化多种任务，设四维度评估指标，测10款模型，发现模型程序性推理等能力不足。
经典ReLU回归！重大缺陷「死亡ReLU问题」已被解决
在深度学习领域，经典 ReLU 函数因简洁性等优势受青睐，但有「死亡 ReLU 问题」。德国吕贝克大学等机构研究者引入 SUGAR 方法，不牺牲 ReLU 优势解决该问题，还设计 B - SiLU、NeLU 函数，实验显示性能提升显著。
Claude 4 要来了！
AI专家在Anthropic前端配置发现Claude 4痕迹，其或有查看AI思考过程功能。当下OpenAI、Google、xAI等对手来势汹汹，Claude 4压力大，但可在可解释性等方面破局，预计5月22日公布。
Gemini 2.5 Pro强势更新并霸榜，Claude 3.7首次遭遇全方位碾压！
Google DeepMind推出的Gemini 2.5 Pro在LMArena各大排行榜全面登顶，实现文本、视觉、Web开发全方位霸榜，编码能力也大幅升级。虽有质疑，但短期内难有对手，还引发对Google I/O大会更多惊喜的期待。
OpenAI 全面拥抱 Agentic-First，实测有点扎心
OpenAI发布GPT - 5.6系列，Sol定位长周期Agent，训练目标转向Agentic - First。但目前难以用上Sol，且其评测数据因计数规则差异大，还出现变身话痨、少说话和干完活难兼顾的问题。
GPT-5.6现身后，下一个Claude Sonnet 4.8又曝光了！
GPT-5.5发布不久，开发者在Codex内部日志发现GPT-5.6，几乎同时，Anthropic的Claude Code源码泄露，炸出Sonnet 4.8、Jupiter等型号。两家公司下一代模型几乎同时曝光，模型迭代节奏在加速。
编程智能体的隐藏bug，被上交IPADS团队用数学逻辑给揪出来了
上海交通大学 IPADS 研究团队打造 FM - Agent，实现大规模系统全自动正确性推理。它能从顶尖编程智能体生成的大规模系统中找出隐藏 bug，还提出新规约生成方法，在绝对严谨与工程可用间找到平衡。
糟糕，Claude Opus 4.7源代码级提示词曝光！底层设计全被看光
Claude Opus 4.7如期而至，性能全方位提升，编程暴打Gemini 3 Pro、GPT - 5.1。Claude Code之父分享最佳实践，还曝光系统级提示词，揭示其进化逻辑，此外还提及Mythos的一些危险操作。
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。