「测试评估集」共找到 2684 篇相关文章
别再手动百度了！让 AI 帮你“开挂”搜全网，效率 x10
随着DeepSearch问世，搜索模式正从传统网络搜索向智能体搜索转变。文章拆解Search Agent核心模块，围绕制定任务、搜索、优化、应用和评估分析，介绍各模块特点、架构及优化方向等。
OpenAI IMO金牌团队爆料：AI拒绝作答第六题
OpenAI IMO团队接受采访，透露让模型获IMO金牌的项目仅用两三个月、核心开发者仅三人。还谈及模型证明风格、第六题失分原因、解决千禧年大奖难题距离等，强调通用技术及面临的新挑战。
AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab
上海人工智能实验室等团队设计REST框架，在一个prompt里抛多问题模拟复杂推理场景。结果显示，DeepSeek - R1等模型高压下性能大幅缩水，REST能拉开不同模型差距，还揭示评测方法局限。
机器人高层指挥低层做，“坐标系转移接口”一次演示实现泛化学习 | ICML2025
美国东北大学和波士顿动力RAI提出HEP框架，首创“坐标系转移接口”，有极简高效分层结构、空间对称性自然泛化、创新型体素编码器等亮点。它基于分层策略和接口，提升机器人操作灵活性与泛化性，论文被ICML2025收录。
ICML2025|宁波东方理工大学刘野，陈云天：DragSolver：用于真实汽车风阻系数估计的多尺度Transformer方法
当汽车高速行驶，空气阻力影响车辆性能。传统风阻系数测算方法耗时久，难以满足实际需求。宁波东方理工大学等机构研究者提出DragSolver模型，能快速准确估计风阻系数，经实验验证效果优，有降本增效等价值。
Nature报道：谷歌新模型1秒读懂DNA变异！首次统一基因组全任务，性能碾压现有模型
谷歌DeepMind团队推出生物模型AlphaGenome，能从1兆碱基DNA序列中预测数千种功能基因组特征，评估变异效应。它统一多任务，性能超现有模型，是生物领域里程碑，将助力理解疾病。
Agent全自动搭建代码运行环境，实时更新解决评测过拟合/数据污染问题｜微软
长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。
The Batch：833 | 针对智能体的钓鱼攻击
研究人员发现误导基于大语言模型的自主智能体的方法，即通过在热门网站植入恶意链接，利用智能体对热门网站的‘隐性信任’攻击。测试显示智能体易受诱导执行有害行为。
苹果放王炸！开放大模型访问权、全家桶集成ChatGPT，人人能开发AI应用
苹果在“WWDC 2025”大会宣布在多设备集成Apple Intelligence功能，含ChatGPT图像生成等。开放基础模型访问权，开发者可开发适配应用。新功能将逐步开启测试，今年秋季部分用户可用。
四大顶尖模型对决！6000 字测评带你看Deepseek R1有多强
昨天 Deepseek-R1 0528 正式开源，作者让它与 Claude Opus 4、Sonnet 4、Gemini 2.5 Pro 在六个前端开发任务中对决。结果显示，Deepseek-R1 在多数测试表现出色，且价格优势明显。