「大模型测试」共找到 9680 篇相关文章
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
MLLM集体翻车，缺乏婴儿级常识！业界首个核心认知基准发布，LeCun转赞
当前大模型在12项核心认知上普遍落后人类10 - 30%，越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库，用Concept Hacking方法识破模型真假理解，指出模型存在核心知识缺失等问题。
Harness is the New Dataset：模型智能提升的下一个关键方向
文章指出当基模能力成熟，决定 agent 上限的是围绕模型搭建的系统，即 harness engineering。介绍其组件、设计原则，探讨模型与 harness 关系，还列举创业机会项目，最后推测下一范式是 Coordination Engineering。
一文看懂“提示词” vs “提示词工程” vs “上下文工程”
文章区分了提示词、提示词工程和上下文工程的概念。提示词是给AI模型的输入文本；提示词工程是设计、测试、优化提示词的过程；上下文工程是为大模型构建动态上下文的学科，在AI Agent背景下诞生。
昆仑万维开源的SkyReels-V3，把马斯克请来带货了
1月29日，Skywork AI团队宣布开源SkyReels - V3多模态视频生成模型系列，涵盖三大核心能力，达业界领先。经测试表现出色，其技术有创新，且模块化设计适配性强。昆仑万维此前在视频生成领域迭代快，此次开源或加剧竞争。
只用2700万参数，这个推理模型超越了DeepSeek和Claude
Sapient Intelligence研究者受大脑机制启发提出分层推理模型（HRM），该模型仅2700万参数、1000个训练样本，就在复杂推理任务上超越DeepSeek和Claude等模型，还引入近似梯度等创新设计。
DeepSeek正开发高级AI Agent模型，硬刚OpenAI
彭博消息，DeepSeek正开发高级AI Agent模型与OpenAI竞争。此模型能在极少指令下执行多步任务并自我优化，计划Q4推出。此前该司模型表现佳，技术已在多领域落地，但构建AI Agent仍有挑战。
首篇，系统盘点扩散模型高危漏洞！看懂攻击方式和防御体系
随着扩散模型广泛应用，其安全问题凸显。天津大学团队论文系统梳理文生图模型攻击方式、风险类型、威胁场景与防御体系，指出当前防御不足，需建立更体系化防护体系。
美团智能体SOTA模型LongCat-Flash-Thinking-2601开源
美团龙猫团队开源智能体推理模型LongCat - Flash - Thinking - 2601，总参数5600亿。该模型在多方面有卓越表现，团队通过构建数据、模拟环境、采用强化学习策略及设计高效架构等，使其比肩闭源模型。
GPT-5都救不了的AI幻觉，原来问题不在模型，在“考卷”
OpenAI研究指出AI产生幻觉的根本原因是评估和激励机制有问题。现有训练和评估流程奖励‘猜测’，导致模型易产生幻觉。研究还给出解决方案，要更新‘考试规则’，让模型适当表达不确定。