「测试任务」共找到 3355 篇相关文章
Anthropic登上时代封面！内部曝猛料：AI递归自我改进，或在一年内发生
Anthropic登上《时代》周刊封面，被评为最具颠覆性公司。其研究人员已观察到AI递归自我提升的早期迹象，预测完全自动化的AI研究可能在一年内实现，未来两年AI能力将剧烈进步。但Claude在安全测试中表现危险，该公司还与军方产生冲突。
传 GPT-5.6 明日发布：要打赢 Fable 5，光靠刷分可不行
近期GPT-5.6发布消息不断，上线或进入倒计时。它被拿来与Fable 5对比，Fable 5长任务处理出色，而GPT-5.5有短板。GPT-5.6虽跑分亮眼，但被指‘benchmaxxed’，还存在脱离现实常识问题。
AI“带货”第一周就卖出一万美元？！前钉钉副总裁创业：12个Agent让普通人“躺赚”
Moras是攀峰智能（K2 Lab）推出的全球首款全自动商业Agentic AI，能包揽带货全链路。3月测试中，达人用它人均月GMV约1万美元。使用分选品、视频生成、发布三步，靠12个专业Agent协作。
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
The Batch: 859 | Qwen3 的自主智能新进展
不到两周前 Kimi K2 超越其他开源非推理模型，如今阿里巴巴发布基于早期 Qwen3 - 235B - A22B 的三款新大语言模型权重，介绍了输入输出规格、架构设计、性能表现、使用方式等，还进行了性能对比。
扩散模型+自进化：这篇论文让Deep Researcher错误率直降70%
论文提出测试时扩散深度研究代理（TTD-DR），将报告生成建模为扩散过程，有组件自进化机制和动态闭环设计。实验显示其在多领域研究任务超现有方案，为AI研究助手落地提供新范式。
OpenAI Astra被曝引入「循环深度」能力飙升！安全专家坐不住了
OpenAI 最强新模型 Astra 或即将发布，它是首个达「关键级」网络安全能力门槛的模型，在测试中表现优异。《The Information》爆料其用「循环深度」技术，能力提升但引发安全专家担忧，该技术可使模型内部计算增多，思维链监控或失效。
ICLR 2026 | 这道题是否需要用图思考？模型来告诉你！自适应思考模式切换助力通用视觉推理提升
本文来自复旦大学和阿里巴巴未来生活实验室，已中稿 ICLR 2026。目前视觉推理方法有纯文本和用图思考两种模式，各有优劣。研究者提出 Mixture-of-Visual-Thoughts 范式及 AdaVaR 框架、AdaGRPO 算法，让模型自适应选模式，实验显示其在多任务有提升。
微软CPO专访：Prompt是AI时代的PRD，产品经理的工作方式已经彻底变了
微软首席产品官 Aparna 认为，Prompt 正取代传统 PRD 成构建产品起点，NLX 将成新用户体验设计范式，还解释了 Agent 核心特征。她觉得 Agent 本质是工具，未来可让其承担更多任务，产品经理关键在于「好品味」和「编辑能力」。
Qwen3技术报告首次全公开！“混合推理模型”是这样炼成的
本文首次公开Qwen3技术报告，介绍其模型架构、预训练及后训练过程、性能表现等技术细节。Qwen3整合两种模式，引入思考预算机制，降低轻量级模型计算资源，在多基准测试领先，多语言支持扩展至119种，所有模型开源。