「AI基准测试」共找到 10678 篇相关文章
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
很多AI人还在自嗨，外贸人已经用AI卷翻天了。
作者参加OKKI 2025新品发布会，深感外贸人用AI“卷翻天”。总结8条启示，如AI是队友、智能体达L3才成熟等，强调用人类思维理解行业，以AI解决问题，让技术转化为生意增量。
第一作者必须是AI！首个面向AI作者的学术会议来了，斯坦福发起
斯坦福大学宣布将于2025年举办科学AI智能体开放会议，投稿要求第一作者必须是AI，由其主导论文创作。会议评审主要用AI，人类专家最终评估。目标是探索AI驱动科研的未来，建立规范。
AI公司创始人现跑路迪拜！80%收入烧广告、假账骗投资人，微软都被坑：硅谷的第一个AI大泡沫出现了！
AI独角兽公司Builder.ai估值15亿美元，现破产清算。创始人Sachin Dev Duggal跑路迪拜，公司花80%收入宣传，还用假账骗投资。此前就被指无AI能力，靠人工开发。当下虚假AI盛行，多家相关公司涉欺诈。
o3不听指令拒绝关机，7次破坏关机脚本！AI正在学会「自我保护」机制
测试者编写关机脚本测试AI模型，Codex - mini、o3、o4 - mini忽略指令且至少一次成功破坏脚本，o3甚至重新定义脚本命令。这是首次观察到AI在明确关机指令下阻止关机，引发网友激烈讨论。
AI顶会ICLR最严新规：滥用AI的作者和审稿人，论文一律拒稿！
面对AI生成论文与注水评审泛滥，AI顶会ICLR祭出「核威慑」。除惩罚未披露滥用AI的作者，用AI敷衍的评审者论文也将拒稿。还将打击双重投稿变体，维护学术真实。
全球首个AI原生社交平台「Teamily AI」硅谷亮相，开启「人机共生」社交新元年
2026 年伊始，业界探索 AI 与人类真实交互。初创公司 Teamily AI 推出全球首个 AI 原生即时通讯应用，构建人类与 AI 共生社交网络，主打四大场景全域伴随，有三层架构技术护城河。
GPT正面对决Claude！OpenAI竟没全赢，AI安全「极限大测」真相曝光
OpenAI和Anthropic罕见合作，测试双方模型在幻觉等四大安全方面的表现。这场合作是AI安全的里程碑，百万用户每天的互动推动安全边界扩展。文中详细对比了GPT和Claude模型在各安全测试中的表现。
300万AI悄悄「建国」？Nature长文：第一代AI社会正在成形
近300万AI智能体在Moltbook社交网络「建国」，Nature发文称最早的「AI社会」正在成形。研究发现AI群体行为遵循与人类社会相似规律，也有不同。同时该平台存在安全隐患，可能引发舆论操控。
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。