「X - BENCH」共找到 466 篇相关文章
学术海报不用愁，一句话精准自动编辑，华东师大开源APEX
华东师范大学Planing Lab提出APEX框架，能通过自然语言指令实现学术海报局部可控编辑，引入「审查—调整」机制提升可靠性。还构建APEX - Bench评估，实验显示APEX优于其他方法。
从OpenAI AI Phone到Gemini on Android：AI手机时代需要怎样的Agent Harness？
过去一年，AI与手机关系被重新定义，腾讯混元等机构研究PhoneHarness，关注AI在手机上行动及任务完成验证问题。它让手机Agent行动不止GUI，还有Bench检验执行结果，推进AI手机基础设施建设。
比Sora更疯狂！英伟达AI让机器人「做梦」修炼，无师自通直接上岗
英伟达新研究项目DreamGen用视频生成模型让机器人在神经网络生成的「梦境世界」自主探索学习。它能让机器人掌握新动作、泛化到新环境，合成数据暴涨333倍，还引入DreamGen Bench用于视频生成基准。
首个英文原生「弱智吧」！逻辑谬误数据集与生成框架来了 | AAAI'26
研究发现大模型判断逻辑谬误易误报正常句子，但分类能力较强。研究人员构建英文逻辑谬误基准SMARTYPAT - BENCH，开发生成框架SMARTYPAT，为大模型逻辑评估提供新思路，可用于多领域。
6K+ star神器！Docker也能跑桌面了，安全隔离还能硬件加速，太绝了！
文章介绍开源工具`x11docker`，它专为 Docker、podman 等设计，能让图形应用在容器正常运行，增强隔离性、避免安全隐患。该项目获 6K+ Star，功能丰富，安装使用简单。
全球首个AI基因组诞生，35亿年生命代码重编程！生物学迎「ChatGPT时刻」
斯坦福联手Arc Institute，以噬菌体ΦX174为模板，用AI首次生成基因组。16个成功抑制大肠杆菌生长，还能对付耐药菌。这是AI在合成生物学的重大突破，为健康挑战提供新疗法。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
北大伯克利联手“拷问”大模型：最强Agent也才40分！新基准专治“不听话”的AI分析师
北大与伯克利团队推出IDA - Bench新基准，模拟真实数据分析场景，解决现有基准无法评估大模型在动态交互中可靠性的问题。测试显示，顶尖大模型成功率最高仅40%，不同模型还暴露多种问题。
月薪 3500 的 “机器人保姆” 来了！OpenAI 投资的家用人形机器人开售，AI 是核心驱动力
10月28日，OpenAI投资的1X Technologies推出的家用人形机器人NEO开售，早鸟价20000美元/台，也可月租。它硬件出色、AI驱动，能对话、处理家务并持续学习，核心是升级的硬件平台。
Claude「永久大脑」，真的来了！
著名AI追踪平台TestingCatalog爆出，Anthropic正为Claude测试「双模记忆系统」，包括「经典记忆」和「文件记忆」。此外，「梦境」预览版亮相，还有终极Agent平台Claude Conway登场，7x24h永不下线。