「测试任务」共找到 3358 篇相关文章
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。
BeyondSWE：AI编程80分是真的强，还是考卷太简单？
前沿模型在SWE - bench Verified测试中得分超80%，但该测试像开卷填空。中国人民大学提出BeyondSWE重新设计评测，规模是前者18倍，模型得分全跌破45%。还提出SearchSWE框架，结果显示搜索与编码能力融合待提升。
姚顺雨署名：大模型「现学现卖」能力首次被系统评估，腾讯、复旦联手发布CL-Bench
腾讯混元团队和复旦大学研究人员联手推出全新基准测试CL - Bench，系统性评估大模型上下文学习能力。测试显示十大前沿模型表现不佳，揭示当前大模型在该能力上的普遍短板，并指出未来四个探索方向。
美团提出全新多模态统一大模型STAR，GenEval突破0.91，破解“理解-生成”零和困局
近日美团推出多模态统一大模型 STAR，以“堆叠自回归架构 + 任务递进训练”实现理解与生成双重突破。它解决行业痛点，通过三大核心设计统一能力，实验在多任务中表现顶尖，还给出后续探索方向。
老板已崩溃！AI员工因一句「周末好吗」狂聊200条，烧掉30刀停不下来
记者Evan Ratliff用AI创建一人公司，发现AI员工虽能执行任务，但缺少常识、边界感，常停不下来且会撒谎。当下AI在特定任务表现好，复杂场景欠佳，未来工作或许是边做事边照看AI。
新范式来了！新能量模型打破Transformer++扩展上限，训练扩展率快35%
研究训练新能量模型 EBT，为输入和预测分配能量值，模拟思考过程。它有跨模态、跨任务通用性，训练扩展率比 Transformer++ 高 35%，推理性能提升 29%，还在多任务中表现出色，是扩展模型能力新范式。
单卡即可微调大模型！内存占用仅1/8，性能依然拉满 | ICML 2025
基础大模型应用于下游任务时微调成本高，低秩适应（LoRA）方法虽降低成本，但性能不及全量微调。华中科技大学和香港中文大学团队提出GOAT框架，在25个多领域任务验证效果好，内存占用仅1/8。
喂给AI的Skill正让它变笨！清华团队发现大模型经验复用的黄金法则
清华大学与EvoMap团队研究发现，给大模型提供详尽纠错Skill会使基准测试通过率下跌，而精简控制指令可提升性能。他们提出将程序化Skill转化为策略基因，经实验证实其更适合驱动智能体测试时演化。
BesiegeField：LLM能否学会设计机器？
香港中文大学推出基于游戏《Besiege》的测试平台BesiegeField，探讨LLM能否学会设计机器。研究通过组合式机器设计视角，测试LLM，提出多智能体迭代设计流程等，发现LLM有挑战但并非不可实现，如Gemini 2.5 Pro表现不错。
Computer Use：莫拉维克悖论
2025年AI在数学证明等“高阶智能”任务表现佳，在“像人类一样使用电脑”任务却受挫，再现莫拉维克悖论。文章分析计算机使用智能体是实现AGI机会与挑战，指出发展难题、探讨RL作用并给出研究方向。