「任务规划」共找到 2249 篇相关文章
专业医生远不如AI模型？OpenAI推出医疗开源测试基准HealthBench，o3表现最强
OpenAI推出医疗开源测试基准HealthBench，由262位多国医生合作打造，含5000段真实健康对话。评估显示o3综合表现最佳，顶尖AI处理任务能力超无辅助医生，HealthBench更真实专业有区分度，但也有局限。
清华&通院推出"绝对零"训练法，零外部数据大模型自我博弈解锁推理能力
清华、北通院和宾州州立大学研究人员提出“绝对零”训练法，让大模型通过自我博弈生成并解决任务获推理能力。测试显示，其训练出的模型超专家标注样本训练的模型，且能提升编程与数学推理表现。
代码榜刷满分，AI科研却撞墙？140道真实研究题撕开「自进化」真相
新工作MLS - Bench覆盖12领域、140个研究任务，评测前沿模型科研能力。虽模型工程执行强，但科学发现能力弱，当前仍难提出有效算法创新。其评测已纳入Kimi K3和Qwen3.8 - Max官方发版表。
李飞飞第一篇「触觉」论文：机器人会盲摸麻将了
李飞飞等全明星阵容关注灵巧手研究，提出T-Rex模型。其通过给触觉单独开通路等方式解决触觉加入难题，在真实任务中表现出色，还为灵巧手领域带来从机身分化、启发专用场景应用等变化。
构建 AI 时代的知识底座：直播数据 LLM Wiki 实践
文章围绕直播数据 LLM Wiki 实践展开，指出领域知识沉淀面临挑战，引出 LLM Wiki。介绍其实际效果，如指标召回、代码生成等，阐述构建方法、架构设计、编译流水线、检索方式，还提及增量编译与持续 Lint，最后给出未来规划。
不换 Kimi 底座，1/10 成本追平 Opus 4.7？Cursor 用 Composer 2.5 反击 Claude Code
Cursor 发布 Composer 2.5 应对竞争，虽沿用 Kimi K2.5 底座，但通过后训练提升性能。它跑分接近 Opus 4.7，价格更低，在长任务处理上表现更好，还公布多项技术进展，正推进大模型训练。
1/10成本、Opus 4.7级表现，Cursor甩出了性价比之王Composer 2.5
Cursor推出新模型Composer 2.5，成本仅为Claude Opus 4.7的1/10，性能几乎追平。它更智能，擅长处理长时任务，遵循复杂指令更可靠。未来一周使用额度翻倍，还宣布与SpaceXAI合作训练新模型。
数GPU，看未来：一张表看懂中美AI公司的真实实力差距，算力盘点
文章全面盘点中美头部AI公司GPU数量、资本开支和算力规划。美国科技巨头疯狂投入，如Meta、微软等；中国公司在禁令下抢购囤货并加速国产替代，如字节跳动、阿里等。还分析了中美差距及投资关注点。
Harness Engineering实践，做了一个平台让AI一晚上自动评测和优化你的系统
作者分享搭建小平台实现全自动化评测与系统优化的实践，包括创建评测任务、集、报告等，通过钉钉文档、绘报等案例展示操作，还能自动优化系统，不过需系统UI规范、AI Coding含量高。
让大模型理解真实医疗视频，全球首个开源技术方案来了！
AI 进入医疗领域需谨慎，此前美国引入不成熟 AI 致手术失误频发。全球首个医疗视频理解大模型元智医疗视频理解大模型发布并开源，解决了医疗视频领域的任务优化、数据缺失和无法评测痛点。