搜索：模型能力连续体

「模型能力连续体」共找到 8994 篇相关文章

性能提升11.74%！腾讯优图提出激励推理，专攻复杂指令

现有大语言模型处理复杂指令能力不足，腾讯优图研究团队提出激励推理方法。该方法能提升LLM处理复杂指令表现，在1.5B参数LLM上性能提升11.74%，媲美8B参数模型。

OpenAI研究员指出传统基准测试难衡量AI实际效用。复旦大学与字节跳动等团队提出全新评测范式EvaLearn，以连续问题求解为核心，构建问题并设评分标准，对九个前沿大模型研究有诸多发现。

随着LLMs在高风险领域广泛应用，其输出的事实性错误引发安全质疑。中科院计算所和美团团队论文揭示自我一致错误，传统检测方法对此失效，提出跨模型探针法提升检测能力。

文章指出大模型在真实深网搜索场景表现不佳，核心矛盾是缺‘难搜’数据和多轮工具调用 RL。清华 DeepDive 用数据合成造‘难搜’题，端到端多轮 RL 训练，在 BrowseComp 刷新开源记录，迁移能力也强。

Notion更新3.0，可视为有所有上下文的通用Agent产品，能调用顶尖模型。它有基础AI能力，如选模型、加上下文等，还升级了Agent创建、MCP等功能，依托生态让提示词可变现。

美团LongCat团队联合高校推出AMO - Bench，用50道原创奥赛级难题评估LLM数学能力。它解决现有基准测试痛点，经四重把关构建，测试显示顶级模型表现不佳，也揭示模型提升空间大。

港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。

文章指出在AI指数级增长时代，传统产品管理假设已不适用。以Anthropic的Claude Code为例，展示模型能力大幅提升，介绍了新的产品管理工作流程、四个根本性转变及新节奏，强调判断力的重要性。

OpenClaw爆火又降温，凸显轻量化智能体短板，企业需具精准业务理解和多技能协同能力的AI员工。滴普科技升级Deepexi企业大模型，其与两平台构成DeepexiOS，支撑企业AI体系化建设。

Andrej Karpathy在播客提到模型持续用合成数据训练会出现‘认知坍塌’，能力退化。他认为人类随年龄增长和经验固化，也会从无限可能收敛到固定思维模式，像极了中年人的认知坍塌。