「基准测试集」共找到 2465 篇相关文章
突发！OpenAI停止强化学习训练两周
OpenAI发文称暂停最新模型强化学习训练两周，加固研究环境、进行红队测试等。部分低风险训练已恢复，最大规模前沿模型训练仍暂停。此举源于Hugging Face安全事故及Astra模型潜在风险。
Karpathy头疼的“AI游戏困境”，被这款15分钟出包的国产神器破解了
8月初Andrej Karpathy指出通用AI做游戏时，LLM无法高效审查工作的弱点。而国产平台Spellcaster能先解析自然语言确定游戏设计，15分钟出包，还内置测试员验证，团队想工程化落地新方向。
DeepSeek V4「满血版」曝光了！最快明天发布
全网等近三个月，DeepSeek V4正式版或最早明日发布。有Flash和Pro两版本，开发者评价其性能接近Opus 4.8，Agent能力增强。首轮测试外流，评价不一。还将引入「峰谷计费」，性价比仍高。
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
二创党福音！基于AI的开源智能视频切片处理系统
AutoClip是基于AI的开源智能视频切片处理系统，能自动从多平台下载视频、提取精彩片段并生成合集。适合UP主、内容创作者等，有多平台支持、AI智能分析等特性，部署方式简单。
跨机器、物体与各种任务！RoboScience发布通用具身大模型
RoboScience机器科学发布Visics通用具身大模型并披露VLOA技术架构。该模型从底层搭建全新具身基础表征单元，适配任意机器人、物体和任务。其由具身世界模型和通用操作模型组成，有强大泛化和操作能力。
2026论文解读，ASAHI：自适应切片助力小目标检测，速度提升25%、精度创新高
高分辨率航空图像小目标检测难，传统检测器表现差。2026年4月都灵理工大学团队提出ASAHI，用自适应切片框架，在VisDrone2019上mAP50达56.8%，推理速度比SAHI提升20 - 25%，还介绍了实战代码等。
让AI Agent自动接Issue、写代码、上线：我用200行代码搭了一个全自动开发流水线
文章介绍AI Agent驱动的全自动开发流水线，对比传统流程，指出开发者角色转变。列举开源工具，给出200行代码的最小实现，分析半自动与全自动差异及信任鸿沟，点明开发自动化趋势，还给出落地建议。
Qoder Skills 完全指南：从零开始，让 AI 按你的标准执行
文章介绍Qoder Skills，它是强大AI定制方式，像菜谱让AI按标准执行。阐述本质、结构、原理，对比与其他工具差异，说明适用场景、安装方法，还有实战演示、编写规范、测试迭代及团队协作等内容。
LangFlow: 挑战离散扩散，探索下一代语言模型新范式
UIUC Ge Liu团队发布《LangFlow: Continuous Flow Matching for Large Language Models》，回归连续扩散架构。研究指出连续扩散受挫非先天缺陷，经优化，LangFlow让连续扩散在标准基准追平离散扩散，为多模态统一架构打通底层路线。