「世界模型评测」共找到 8096 篇相关文章
彻底戳穿AI「失忆症」！超越OpenAI全局记忆，中国队开源LLM记忆操作系统
大语言模型有「记忆」缺失问题，国内顶尖团队打造出操作系统级AI记忆框架MemOS并开源且可商用。它将「记忆」升为「一级资源」，用MemCube封装记忆，评测显示性能优于OpenAI全局记忆方案。
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
摆脱遥控器，波士顿动力人形机器人，开始「长脑子」干活了
世界人形机器人运动会引发对人工遥控机器人的争议。波士顿动力与丰田研究院合作为 Atlas 开发大型行为模型，展示其自主收纳整理成果，模型构建有流程，成果显著，研发遵循三项核心原则。
VaseVQA：考古领域实现专家级，诊断+补弱RL框架
在文化遗产与人工智能交叉领域，研究人员提出把大型多模态模型放于‘诊断—补弱—精细化评估’闭环训练，配套结构化评测基准，让模型在文化遗产领域接近专家级能力。介绍了技术步骤、数据基准及关键发现等。
6个Agent组团Vibe Gaming：自己生成、试玩、修Bug
过去大模型生成的游戏虽代码能跑，但常陷入“可玩性黑洞”。Spellcaster让多个专用Agent协同处理，形成“生成—运行—检查—修复”循环。目前能快速生成多种游戏原型，未来将用世界模型直接生成画面。
哇塞，今天北京被机器人人人人人塞满了！
世界机器人大会在北京开幕，100多个新机器人亮相。智平方的爱宝机器人人气爆棚，它能用一个基座模型完成多任务。其搭载的GOVLA大模型有四大核心能力，且已在多行业商业化落地。
全球最大AI榜单塌房！52%高分答案全是胡扯，硅谷大厂集体造假？
2025年底，《LMArena is a cancer on AI》一文引发关注，其指出LMArena这个权威大模型评测平台问题严重。Surge AI调查发现，52%获胜回答事实错误，39%投票结果与事实相悖，Meta还曾为榜单优化模型。
两个小时，10美元，Karpathy做了一个《指环王》3D游戏
Andrej Karpathy 让 Opus 5 根据《指环王》开篇文字，用 Three.js 制作三维场景，成本约 10 美元，两小时写出 5500 行代码。虽效果粗糙但有趣，他设想未来大模型能按需生成虚拟世界，不过也暴露大模型难以检查成果的问题。
“现代 AI 九成突破都来自我们！”面对核心团队被挖，谷歌 DeepMind 掌门人的回应挺硬
谷歌股价下跌，核心团队被挖，引发对其大模型地位的担忧。但 DeepMind 创始人哈萨比斯回应有底气，谈技术观点，如靠文本模型难以实现 AGI，智能需理解物理世界，还提及水印、创意等问题。