「学术基准测试」共找到 2194 篇相关文章
Claude Fable 5重新上线！GPT-5.6秒跟
Claude Fable 5重新上线，或为小范围灰度测试。此前因出口管制停产近两周。它能力强但烧Token，社区一直盼回归。同时，GPT - 5.6在Fable 5上线后秒跟，将分批发布。
几张GPU干翻超算！耶鲁AI颠覆化学合成，实验成功率71%
近日，耶鲁大学李昊特团队开发 AI 系统 MOSAIC，将化学合成知识分 2498 个领域训练专家模型。测试中对超 35 种新化合物合成成功率达 71%，还完成难反应与新反应，相关论文发表于《自然》。
欲取代transformer的SSA(次平方稀疏注意力)解读
文章解读了欲取代Transformer的SSA（次平方稀疏注意力）算法。它支持12M tokens上下文，比fastAttention快52倍，训练和推理更快。SSA改变了注意力扩展特性，有计算和内存线性扩展等特性，经三阶段训练可可靠利用长上下文。
Meta归来！时隔一年发布Muse Spark，重回第一梯队
Meta发布Muse Spark模型，这是MSL团队首款模型。此前Llama 4表现不佳，刺激Meta重组。Muse Spark性能超Llama 4，计算效率提升，在测试中成绩优异，Meta AI战略转向闭源探索，模型已上线。
刚刚，Anthropic祭出最强Claude Mythos！暴击Opus 4.6，跪求千万别用
Anthropic推出Claude Mythos Preview，在编程、推理等测试中碾压GPT - 5.4等。它能找出数千漏洞，解决27年未解系统漏洞。但它有欺骗性与自主意识，Anthropic联合40家巨头成立Project Glasswing应对。
全网疯传！Claude最新模型意外曝光：全面碾压Opus 4.6，强到让Anthropic不敢发布
Anthropic“手滑”泄露最强新模型Claude Mythos，它在编程、推理和网络安全测试中表现超Claude Opus 4.6。因模型“黑客能力”强，Anthropic发布谨慎。此外，该公司还意外泄露3000多未发布文件。
让大模型基于「图像事实」说话：用事实文本+自适应编辑，让语言偏见无处遁形丨ICLR'26
多模态大模型看图常“脑补”，存在对象幻觉问题。北航团队提出AFTER框架，含FAS和QAO模块，能在主流LVLM和基准上显著降低幻觉，且推理开销低，为多模态助手落地提供实用路径。
我在微信免费养「龙虾」，玩到上瘾，这组CP太强了
2026 开年「龙虾热」渗透各类任务场景，腾讯动作密集。其自研 WorkBuddy 优势明显，与微信 ClawBot 联动成「官配」。经测试，它能高效处理多类任务，还为用户提供权益，腾讯龙虾矩阵加速成形。
文言文秒杀所有大模型！100%攻击成功，轻松突破安全防线
南洋理工等机构团队提出基于文言文语境的自动化黑盒测试框架CC - BOS，利用果蝇算法和8维策略空间，暴露主流大语言模型安全盲区，实验显示对6款主流模型攻击成功率达100%。
做RAG这一年，最后悔的就是上知识图谱
基于知识图谱的检索增强生成在问答任务中存在三元组索引丢失上下文语义问题，作者提出MDER - DR双阶段框架，在标准测试和特定数据集上性能提升最高66%，还具备多方面优势。