「数学竞赛基准」共找到 1337 篇相关文章
沉迷贪吃蛇，7B小模型竟变身「数学天才」！几何推理碾压GPT-4o
NVIDIA等团队提出视觉游戏学习ViGaL范式，让7B多模态模型玩贪吃蛇等游戏，使其在数学、几何等任务击败GPT - 4o。游戏培养通用认知与推理能力，不同游戏提升不同推理能力，多游戏训练效果更佳。
AI点外卖哪家强，美团LongCat团队做了个全面评测
美团LongCat团队发布贴近生活场景的大模型智能体评测基准VitaBench，以三大高频生活场景为载体，构建含66个工具的评测环境。评测显示现有智能体与应用需求差距大，该基准已全面开源。
GPT-5基准测试泄露，被曝两天后发布？打Minecraft震撼开挂网友直呼封神
GPT - 5消息不断，泄露的基准测试及Minecraft实测惊艳网友。有爆料称7月31日发布，也有消息指8月。它或统一o与GPT系列，编码能力强，能处理复杂编程任务，不过也引发对其影响的担忧。
太空算力竞赛白热化：谷歌刚刚发布计划，中国太空计算卫星星座已在轨运行半年
当地球AI算力竞赛内卷，太空算力赛道开启。中国国星宇航“星算”计划首批卫星半年前已组网运行，规模和算力世界第一。谷歌等巨头也有布局，但谷歌计划2027年初才发原型卫星，中国企业已占先发优势。
打破AI能力的惯性评估方式，红杉中国推出全新双轨基准测试xbench｜甲子光年
红杉中国推出全新AI基准测试工具xbench，采用双轨评估体系，构建多维度测评数据集，追踪模型理论能力上限与Agent实际落地价值。还采用长青评估机制，首期发布两个核心评估集并给出综合排名，公开后邀各界完善。
GAIR Paper 107｜高校联合腾讯发布 GameCraft-Bench：AI已能端到端开发游戏，Claude Opus 四成达到可玩水平
香港中文大学（深圳）等高校联合腾讯发布 GameCraft-Bench，旨在构建基于真实游戏引擎、产物完整可运行且能验证的 AI 游戏生成评测基准，解决现有基准难衡量端到端可玩性的问题，测试显示前沿模型在游戏生成上仍薄弱。
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
千问模型预览版杀到全球第6，马斯克称中国将赢得地球上的AI竞赛！
LMArena更新榜单，阿里千问新旗舰预览版获1464分，全球排第六、中国第一。阿里在全球大模型实验室排第五，全球前十中有五家中国公司。千问3.5预览版表现出色，正式版值得期待。
「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了
近年来，T2V模型进展显著，Sora2爆火引发对其是否为‘世界模型’的探讨。传统基准无法系统衡量模型对事件因果等的理解，中山大学等团队提出新评测框架VideoVerse，评测主流模型并发现开源与闭源模型差距及各模型缺陷。
国产AI拿下国际物理奥赛金牌，13项顶级竞赛豪取12金1银，划重点：开源
上海人工智能实验室团队推出开源模型家族P1，在IPhO 2025理论考试中，P1-235B-A22B成首个达金牌线的开源模型。引入PhysicsMinions后成绩提升，在HiPhO基准排名第一，且全链路开源。