「推理质量评估」共找到 3131 篇相关文章
开源3天斩获 2K Star，这个开源 Skills 技能把 AI 的“记忆缺陷”补上了！
最近含金量极高的 Skills 指南 planning-with-files 开源上线 3 天，GitHub Star 达 2k。它复刻 Manus AI 核心模式，将 Markdown 作为 AI Agent 工作内存，采用三文件模式解决 AI 记忆问题。
上交博士最新思考：仅用两个问题讲清强化学习
上交博士 Kun Lei 博客提出用两个问题理解强化学习：数据从哪来、策略更新多频繁。借此梳理算法逻辑，还延伸到机器人基础模型，指出训练节奏与其实践契合。
从Transformer到GPT-5，听听OpenAI科学家 Lukasz 的“大模型第一性思考”
2017年《Attention Is All You Need》提出Transformer架构，重塑AI版图。其作者“Transformer八子”中，Lukasz Kaiser加入OpenAI，参与GPT-4、GPT-5等研发。他10月将出席大会分享见解，曾预言多模态等趋势已渐成现实。
The Batch: 871 | Mistral测量了大语言模型的能耗、水耗与物料消耗
法国AI公司Mistral发布对Mistral Large 2的环境分析报告，涵盖全生命周期影响。研究表明单次使用影响小，但累计负担大。虽研究有不足，但其方法或推动环保型AI发展。
GPT-5 最强大的，是编程
据报道，OpenAI的GPT - 5即将到来且早期反馈积极。它在编程领域表现突出，尤其在实际编程任务上有提升，不过其具体形式存疑，改进或多来自后训练阶段的强化学习。
AI编程「反直觉」调研引300万围观！开发者坚信提速20%，实测反慢19%
非营利性 AI 调研机构「METR」对 AI 编程工具影响开发者效率进行随机对照实验，结果意外：开发者本坚信提速 20%，实测却慢 19%。还分析了原因，指出调研局限与未来展望。
Google 2025年6月核心算法更新及应对，以及百度5月7月算法对比
Google发布2025年6月核心算法更新，预计3周完成。此次未透露方向，暂无针对性策略。还介绍了核心算法更新概念、近期更新情况、应对方法，对比了与企鹅算法差异，此外提及百度5月和7月算法对比及MCP协议。
grok 4一图流
文章展示grok 4核心数据，涵盖训练成本、模型定价，还列举其在通用、专业、数学、推理、编程等能力测试中排名第一的成绩，不过实际水平还有待观察。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
「上下文工程」硅谷爆火，Karpathy亲自站台！提示工程瞬间失宠
继提示工程后，「上下文工程」在硅谷爆火，获Karpathy等大佬青睐。它是「全新的氛围编程」，是智能体成败关键。其范畴广，是科学也是艺术，为LLM构建上下文能解决定制任务。