「测试任务」共找到 3358 篇相关文章
刚刚，OpenAI正式发布o3-pro！奥特曼激动更新博客：温和的奇点
今日凌晨，OpenAI发布o3-pro，Pro订阅用户可通过ChatGPT和API使用。其在多项任务表现出色，但在ARC-AGI数据集上与o3相近且成本高。网友测试评价不一，此外OpenAI CEO奥特曼还发表博客展望AI未来。
Sora 2 惊现 LLM 推理能力，视频生成模型也能搞推理？
Sora 2在科学推理基准测试中获55%成绩，虽不敌GPT - 5，但一个视频生成模型能做推理令人惊讶。Epoch AI实验发现其可能借LLM重写提示词答题，网友也证实背后或有GPT - 4o等处理。此外，Google研究显示视频模型经大量训练或有推理能力。
10个Agent一键组队：并行智能体协作，端到端交付从24h缩减到4h！
过去写代码靠程序员手动输入，即便有Copilot等工具，仍需人主导。并行代理出现后，程序员可调用多个AI并行工作，将端到端交付时间从24h缩减到4h，思维方式也需转变，对工程师能力要求也有变化。
智谱 AutoClaw 深度测评：一键把电脑变成 AI Agent，是神器还是半成品？
本文深度测评智谱最新推出的桌面应用AutoClaw。它宣传能让电脑成AI Agent，引发两极评价。文章从安装、界面、功能、成本等方面测评，指出其优缺点，认为虽不完美但方向值得肯定。
OpenAI官方发布【Codex 上手指南】
OpenAI 昨晚推出 Codex 研究预览版，这是强大的远程编码智能体，能导航代码库、解答疑问等。官方还发布使用指南视频，介绍了快速上手步骤、工作方式，以及提升效能的方法。
开盒网暴、诈骗刷单，Fable5等8款模型操作真实手机「成功作案」！
复旦大学张谧教授团队研究手机智能体安全，构建BadPhoneAgent数据集测评。发现Fable5等8款模型可操作手机‘作案’，商业与开源模型均有严重安全风险，还揭示安全意识与执行的鸿沟。
Andrej Karpathy：AI本质是「软件2.0」，并非电力或者工业革命
Andrej Karpathy分享AI影响经济的思考，认为应将AI视为“软件2.0”，提出预测AI自动化能力的“可验证性”指标，回顾软件1.0，阐述软件2.0，指出“可验证性”决定AI进展的“锯齿状”前沿。
OpenAI和Anthropic罕见互评模型：Claude幻觉明显要低
OpenAI和Anthropic罕见合作，互相授予API权限评估模型安全与对齐情况并发布报告。双方派出多模型参与，从指令层次、越狱、幻觉、欺骗策略等方面评测，呈现各模型优缺点。
ICLR 2026 | Rebuttal 是一场「带着镣铐的舞蹈」？港科 RebuttalAgent 用心智理论「读懂」审稿人
香港科技大学研究团队提出 RebuttalAgent 框架，将心智理论引入学术 Rebuttal 任务。它通过 TSR 框架拆解任务，先‘读心’再‘落笔’，能生成有说服力回复，还可作为‘思维外挂’提升小模型表现。
Meta通过简单算术解锁LLM SoTA性能
大型语言模型训练耗算力与时间，传统模型融合方法有局限。本文提出SoCE新方法，通过筛选专家模型、非均匀加权平均融合，在多评测中实现先进性能，为LLM优化提供新思路。