「具身操作评测」共找到 2050 篇相关文章
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
打造全球首个强化学习云平台，九章云极是如何做到的？
AI正从语言模型走向智能体，强化学习成关键技术，但训练面临困难。2025年6月九章云极发布全球首个工业级强化学习云平台AgentiCTRL，实现系统级重构，其智能基础设施战略布局领先，具产业赋能优势。
国产Deep Research杀出一匹「裸奔」黑马：免费开放，过程透明，网页报告一键即出
国产AI搜索秘塔AI搜索放大招，深度研究功能发布即免费公开，自带新玩法，思考过程透明。在评测集上表现优，可应对复杂问题，生成规范报告，还能转互动网页，严谨度与易用性兼备。
什么都不做就能得分？智能体基准测试出现大问题
随着AI智能体走向实际应用，其基准测试变得至关重要。但现有基准测试问题多，如WebArena判错答案、τ - bench给无操作智能体高正确率。文章提出有效性判据和ABC清单，还揭示主流基准测试诸多问题。
小红书开源大模型dots.llm1，初次出手，小有惊艳！国外网友们又炸了……
小红书hi lab团队公布首个开源大模型dots.llm1，这是142B参数的MoE模型，仅14B激活参数就能与Qwen2.5 - 72B打平。它开源力度大，训练效率高，数据处理精细，训练稳定，获国外网友高度关注。
体验了两周Robot Phone，这是我第一次觉得手机活过来了。
作者体验两周荣耀Robot Phone后分享感受，它是有瑕疵但具探索感的产品，独特在云台与YOYO结合，带来新奇体验，解决自媒体人刚需，还让手机从工具迈向伙伴，使手机品类重获趣味。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展迅速，现有检测方法难满足需求。最新综述提出「事实保真度验证」目标，梳理出视觉与语言双视角的四层检测框架，还分析了检测方法演进、评测指标和数据集，为AI视频检测提供落地地图。
14.8K Star！这个开源 Skill，一句话就能做出大厂级设计！
Anthropic 发布的 Claude Design 虽能在对话框生成网页，但需手动操作。有人据此开发了开源项目 Huashu Design，可在 agent 里打一句话，3 到 30 分钟就能拿到能交付的设计，还介绍了其功能、核心规则等。
让大模型理解真实医疗视频，全球首个开源技术方案来了！
AI 进入医疗领域需谨慎，此前美国引入不成熟 AI 致手术失误频发。全球首个医疗视频理解大模型元智医疗视频理解大模型发布并开源，解决了医疗视频领域的任务优化、数据缺失和无法评测痛点。
“养虾”热潮下，专家帮你拆解Agent如何重写软件逻辑 | 奇点智能技术大会首日精彩回顾
2026 奇点智能技术大会聚焦 AI 发展新趋势，探讨 Agent 对软件与互联网产业的重构。会上发布白皮书、评测榜单，成立开发者社区，多位专家分享见解，涉及 AI 研发、模型协同、大模型演进及科学多模态模型等内容。