「测试时微调」共找到 2517 篇相关文章
AI哪怕答案正确，逻辑链却惨不忍睹，奥数级不等式证明成功率不到50%｜ 斯坦福&伯克利&MIT
斯坦福、伯克利、MIT等联合研究，系统评估29个大模型在奥数级不等式证明任务的能力。研究发现，模型答案正确多靠猜，推理漏洞多，参数大、思考久也不能提升推理严谨度，但自我反思和定理线索策略有改善效果。
谷歌Gemini 2.5全线爆发！勇战「濒死恐慌」，却被丝血宝可梦吓到当场宕机
谷歌旗舰Gemini 2.5全家桶三款模型昨夜上线，包括正式版2.5 Pro、2.5 Flash及预览版2.5 Flash - Lite。技术报告显示其性能提升显著，还在玩宝可梦时惊现类人恐慌，推理性能下降。
o3-pro答高难题文字游戏引围观，OpenAI前员工讽刺苹果：这都不叫推理那什么叫推理
OpenAI“最新最强版”推理模型o3 - pro引发关注。首位全职提示工程师给它设难题，它推理后答对。OpenAI前员工借此讽刺苹果。各大评测榜单显示其表现与官方有差异，苹果&SpaceX前工程师分享使用心得，肯定其表现。
Cursor 1.0 正式版来了！BugBot 代码审查、后台 Agent 全面开放、MCP 一键安装。
Cursor 1.0正式版更新，新增功能不少，如BugBot代码审查、记忆功能、MCP一键配置等。后台Agent全面开放，还支持Jupyter Notebook。不过新设置界面使用体验一般，远程开发时mcp配置有问题。
CVPR 2025 Highlight | 提升自回归模型样例学习能力，Few-shot图像编辑新范式开源
当前图像编辑模型在处理新概念时泛化能力不足，为解决此难题，Meta等研究者提出自回归模型InstaManip，创新性提出分组自注意力机制和关系正则化策略，在few - shot图像编辑任务上取得优异效果。
Agent 工程师绕不开的必修课：API 网关 vs API 管理
文章探讨了 API 网关与 API 管理的起源发展、关键差异、协同工作及未来趋势。API 网关从流量网关演进到 AI 网关，API 管理从文档化走向商业化。两者差异源于起点、使用角色和技术内核不同，未来将向 AI 网关和 MCP Server 管理演进。
claude 4摔碎了码农的饭碗~
昨晚Anthropic发布Claude 4系列模型，Opus 4编码能力强，SWE - bench测试成绩优，能完成7小时代码重构。Claude 4让完成日级任务的时间提前，各应用纷纷接入，部分产品有应对策略。
实测 Seedance 2.5 vs 可灵 3.0，谁能让我们无痛当上视频导演？
本文通过两大真实创作测试场景，对比Seedance 2.5与可灵VIDEO 3.0两款热门AI视频模型的表现，分析二者在画面表现、分镜执行、合规风控上的差异，为创作者提供选型参考。
模型一模一样，Token 却相差 70 倍？三项实测揭开 AI 编程工具的成本黑洞
本文通过三项独立基准测试，证实相同AI模型下，不同AI编程智能体框架的Token消耗最高相差70倍，分析了成本差异的核心原因，为企业AI成本控制提供可落地的衡量标准。
AI 群星闪耀之前，商汤先相信那群少年
文章讲述商汤奖学金支持青年科研者的故事。自2017年设立，已资助280位本科生，在他们未成名时给予信任与支持，不仅是奖金，还提供资源和网络，获奖者们正从不同方向推动AI发展。