「长任务跑分」共找到 2667 篇相关文章
OpenAI DevDay重磅新品曝光：Agent Builder来了！拖拽即可构建AI应用
OpenAI将在10月6日DevDay推出Agent Builder，用户能通过可视化画布拖拽构建AI智能体工作流，连接模型、工具等编排任务。其对手是n8n、Zapier，可集成第三方服务，降低AI应用开发门槛。
2.12页/秒，MinerU2.5太快了，1.2B硬刚腾讯、阿里
GPT - 4o等刷新OCR榜单，但产业界仍面临文档图像处理难题。MinerU2.5提出1.2B轻量级文档解析模型，采用创新解耦范式，在多基准测试表现出色，单卡吞吐快，还给出可借鉴创新点。
深夜炸场！Claude Sonnet 4.5上线，自主编程30小时，网友实测：一次调用重构代码库，新增3000行代码却运行失败
Anthropic推出Claude Sonnet 4.5，号称‘世界上最好的编码模型’，持续运行时长、推理等能力提升，‘幻觉’等问题改进，Claude Code也有更新，开发者实测有惊喜也有问题，新一轮AI‘内卷’开启。
「从追赶者到引领者，路有多远？」 我们和CANN一线开发者聊了聊
AI浪潮下，硬件竞争转向软件等生态之战，华为昇腾及其CANN站在变革前沿。本文与开发者对话，探讨CANN开源意义、早期挑战、演进及未来战略，开源将带来技术透明、生态赋能等红利。
CuteDSL-1: Introduction
文章介绍CuteDSL，它因Cutlass编译慢、调试难等痛点而生，可在Python构建DSL，编译快、调试易且性能无损。文中阐述其架构、使用方法、与PyTorch集成优势等，还提及基于CuTe的开发及性能对比。
马斯克转发字节Seed&哥大商学院新基准：大模型搞金融，连查个股价都能出错
字节跳动Seed团队与哥大商学院推出开源金融搜索与推理基准测试FinSearchComp，含635个问题。评测显示大模型处理金融任务有差距，凸显金融AI能力评估重要性，还揭示了关键能力差距。
Chrome已死，Agent当立。 AI Chrome正式发布~
谷歌官宣为Chrome浏览器植入Gemini AI，发布10项更新，如智能体助理上线、跨标签页整合等。但用户体验不稳定，其AI能力是嫁接非原生。创业公司可放弃浏览器，拥抱智能体，利用自身优势发展。
谷歌DeepMind曝光首个“AI 经济体”完整架构，Agent催生全新经济体正在悄然成形
谷歌DeepMind论文描绘由AI Agent自主交易和协作的经济体，提出“沙盒经济”框架，分析其起源与隔离程度，指出发展方向及挑战，还给出应用场景、市场机制、设计方案、基础设施层和行动建议。
OpenAI 内部是怎么使用 Codex 的.pdf
文章基于对 OpenAI 工程师的采访和内部使用数据，汇总了 Codex 在 OpenAI 内部的使用案例和最佳实践。展示其在代码理解、重构迁移等七大场景的应用，还给出使用的最佳实践，认为未来潜力大。
谁说Scaling Law到头了？新研究：每一步的微小提升会带来指数级增长
很多人质疑扩大计算规模训练模型的做法，因Scaling Law面临收益递减。但新研究发现，模型单步准确率的微小提升能使完成任务长度指数级增长，还探讨了长程执行能力的衡量及影响因素。