「正确率」共找到 21 篇相关文章
Opus 5通关ARC-AGI-3！Harness正在变成捆住模型的绳子
ARC Prize官方给Opus 5的ARC - AGI - 3成绩为30.2%，但开发者Jeremy Berman让其借助电脑，正确率飙升至96.2%。还开源代码，换用Codex等测试效果差。表明模型强时，简单环境更佳。
国内首套：港中文团队发布7模态人体动作数据集，揭开大模型理解能力短板
港中文邢国良教授团队博士生蒋思阳完成 CUHK-X 多模态人体动作数据集，成果被 ACM MobiSys 2026 接收。用其测试主流大模型，发现理解人类动作平均正确率仅四成。该数据集数据收集方法反常规，还开展了基准测试。
字节Seed数学新模型，SOTA了
字节发布全新复杂数学解决模型Seed-Prover，全面超越谷歌AlphaGeometry2，在MiniF2F数据集达100%正确率。它采用引理式证明，集成几何推理引擎Seed-Geometry，还展现了卓越泛化能力。
codex降智大bug找到了，一句话让它把智商找回来！
近日Codex被降智，网友监测其智商曲线下降。L站大佬发现大bug及解法，在全局agents.md加特定语句，可让它大幅恢复智商。测试显示，加语句后正确率提升，降智概率降低。
大厂程序员：AI正在将我们变成高速流水线工人，受不了了
亚马逊鼓励程序员用AI，结果成变相强迫，人员减半、项目提前，程序员只能让AI写代码，但AI编程正确率低，让工作更繁杂，职业晋升也成问题。亚马逊官方称AI能提效，双方看法不一。
Nano Banana不及格，开源模型一分难求！上海AI Lab新基准直击文生图模型痛点
上海人工智能实验室等联合发布首个多学科文生图考试基准GenExam，覆盖10学科、1000题。实验显示，GPT - 4o严格评分正确率仅12.1%，开源模型接近0分，暴露出模型在专业场景的短板。
Qwen“半成品”推理模型刷下AIME满分，俘获大批国外开发者！实测碾压GPT-5 Thinking、还能写侦探小说
阿里发布 Qwen3-Max-Thinking 早期预览版，虽是‘半成品’，在数学推理竞赛中达 100% 正确率。Qwen3-Max-Preview 多项测试领先，速度超 ChatGPT，还成 AnyCoder 默认选项，但未开源。实测表现有优有劣。
什么都不做就能得分？智能体基准测试出现大问题
随着AI智能体走向实际应用，其基准测试变得至关重要。但现有基准测试问题多，如WebArena判错答案、τ - bench给无操作智能体高正确率。文章提出有效性判据和ABC清单，还揭示主流基准测试诸多问题。
Qwen 3-235B Aider编程能力击败Claude3.7，成本便宜百倍
Qwen3-235B-A22B在Aider多语言编码基准初步测试中击败Sonnet 3.7 Thinking和OpenAI o1，成本便宜150到600倍。Qwen3-32B准确率超GPT-4.5和GPT-4o ，代码编辑格式正确率达100%。
我用DeepSeek治好了20年老鼻炎
作者患20年鼻炎，此前治疗效果不佳，用DeepSeek获推荐喷剂，使用后症状改善。还提及AI造影辅助医疗、国外巨头推AI医生等，显示AI医疗兴起，解决了过去落地和商业化难题。