「失败状态」共找到 333 篇相关文章
多模态模型具备“物理推理能力”了吗？新基准揭示：表现最好的GPT-o4 mini也远不及人类！
来自多机构研究人员构建PhyX基准测试，评估多模态模型物理推理能力。测试显示，即便表现最佳的GPT - o4 mini准确率仅45.8%，远不及人类的75.6%，且模型在多方面存在结构性缺陷。
Arc研究所造出能“举一反三”的虚拟细胞模型，破解跨细胞预测难题
生物学和药物研发中，因细胞组合庞大，难以全实验验证，且同药在不同细胞效果不同。Arc Institute 团队推出虚拟细胞模型 STATE 及评测套件 Cell - Eval，STATE 预测效果优，但也存在短板。
Codex 负责人：「所有人都是 builder」是个很糟糕的主意
OpenAI Codex 团队负责人 Andrew Ambrosino 认为，AI 时代产品开发各环节发生变化，实现成本降低，品味变得更重要。他还谈到岗位角色融合但 PM 不会消失，以及 Codex 发布时机和工作模式等问题。
Claude Code 修了几个小 bug，却揭开了 Agent 落地的大麻烦
Anthropic给Claude Code发的更新，看似是修小bug，实则指向AI编程产品正从“模型会不会写代码”转向“Agent能否稳定完成任务”，暴露了工具状态、权限边界等执行问题。
一种可以减少 CI 回归测试套件规模的更佳方案
作者作为测试架构师，认为减少CI回归测试套件规模理论诱人但实践常失望。介绍有效处理大型测试套件的方案，如随机趋势分析、多上下文模式匹配等，还谈及无门控测试等优势，能助力管理测试集。
突发！快手AI掌舵人周国睿即将离职，下一站爆出
多个媒体爆料，快手副总裁、基础大模型及推荐模型负责人周国睿即将离职，目前本人在快手内部系统显示为休假状态。其去向不明，有传加入Meta或TikTok，官方未回应。
会写剧本、能凹人设，还顺带站上领奖台，这数字人包“会”的
百度凭借剧本驱动多模协同的高拟真数字人技术打造数字人“老罗”直播带货，GMV达5500万+。该技术在2025年世界互联网大会乌镇峰会获领先科技奖。它让数字人协同多方面，已落地多行业提效显著。
AI是「天才」还是「话术大师」？Anthropic颠覆性实验，终揭答案！
Anthropic新研究证实Claude模型有一定内省意识，能控制自身内部状态。用「概念注入」实验，Claude Opus 4和4.1表现最佳。不过该能力不可靠、局限大，未来进化情况待察。
仅需152个样本，性能提升48%：Memory-R1如何重塑Agent记忆能力？
这篇文章解读论文Memory - R1，其由多所高校研究团队完成，旨在解决LLM在长对话和多轮任务中的‘记忆难题’。通过强化学习让LLM学会管理记忆，用152个问答对训练，大幅超越现有基线模型。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。