「OpenAI MLE - Bench」共找到 1988 篇相关文章
1/8成本比肩Claude 3.7，Mistral Medium 3来了
“欧洲OpenAI”Mistral AI发布多模态新模型Mistral Medium 3，主打编程和多模态理解，成本仅Claude 3.7的1/8，性能达其90%，API已上线，还推出企业聊天机器人服务，引发网友不同看法。
【翻译】在 Codex 中使用 Goals：长时间工作的持久目标
文章介绍 Codex 中的 Goals，它是持久目标，能让线程跨多轮对话朝明确结果推进。阐述了 Goals 与普通 prompts 的区别、编写方法、活跃后的变化、设计方式及适用场景等，还通过案例展示其在研究任务中的应用。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
Claude Opus 4.7炸场，6美元造《我的世界》，临门AGI前强调安全，打工人却更慌了
Anthropic 发布‘目前最强 Opus 模型’Claude Opus 4.7，能力跃升，在多榜单夺冠。写代码、看图表等能力提升，也有网页搜索等能力下降。还展现出游戏开发实力，同步上线Claude Code新功能，加强安全防护。
Harness Monitor：当多个 Agent 同时写代码时，如何看住质量
作者在有了 OpenAI 赞助的 Codex Pro 后，让多个 Agent 同时在一个代码库工作。他开发的 Harness Monitor 从 Git 视角出发，解决多 Agent 写代码时的质量问题，涉及观察、治理等多方面能力。
美国ATOM报告：Qwen称霸武林，中国统治开源世界
美国ATOM报告显示，2025年夏中国开源语言模型超美国，下载、使用量差距显著。Qwen成王者，DeepSeek在大模型领域表现出色。新势力如Nvidia、OpenAI等也在追赶，报告引入新指标衡量模型热度。
全球首个多模态矢量动画生成框架，轻松拿捏跨平台轻量动画
复旦大学等团队推出OmniLottie框架，利用创新分词技术将视频、图文指令变成高质量矢量动画。团队还打造数据集MMLottie - 2M，构建测试基准MMLottie - Bench。实验显示，OmniLottie在多任务测试中优势明显。
硅谷豪赌算力烧到停电，中国团队反向出击！这一刀，直接砍碎Scaling Law
硅谷陷入算力战争，OpenAI、马斯克等豪赌Scaling。但Anthropic指出模型大、算力多不一定聪明。Yuan 3.0 Flash登场，用RAPO+RIRM解决过度思考，降低推理token，在多模态任务表现出色，引发开发者关注。
GPT-5.2全力出击！碾压44类专业工作，实测编程同价位无对手、深度推理封神，但速度太拉胯了
GPT - 5.2 登场，有 Instant、Thinking、Pro 三个版本，在多方面大幅升级，能覆盖 44 类专业工作。它经济性强、编程能力佳、推理出色，但存在速度慢的问题，其价格 API 端有调整，未来还将推 Codex 优化版。
太简单啦，Call Center AI开源代码=AI语音客服，论文Demo一步到位，毕业设计神器！
Call Center AI是微软开源的AI呼叫中心解决方案，基于Azure相关服务和Azure OpenAI GPT，支持自动拨接电话等功能。能解决坐席不足等痛点，有一键API等亮点，适用于保险、IT支持等场景。