「真实场景AI竞技场」共找到 2344 篇相关文章
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
回村拜年、赶集舞狮：一台小机器人的县城奇幻漂流｜甲子光年
2026马年春节，人形机器人迎来高光。‘清华系’加速进化公司将小型人形机器人Booster K1带回乡村，在多样场景测试。该公司走小而美路径，产品性能优、销量好，通过B端、C端策略打开市场。
Agent RL 总是训练崩？UCLA 这篇论文给了救命稻草！
这篇解读UCLA和威斯康星大学麦迪逊分校论文《ARLArena: A Unified Framework for Stable Agentic Reinforcement Learning》的文章指出，Agent RL训练易崩溃，原因在于多轮交互任务带来奖励稀疏等问题。论文建“竞技场”，提出SAMPO算法提升稳定性，还给出从业者建议。
了解下 FlashInfer SKILLS 写法
文章介绍 FlashInfer 的三个 SKILL 文件，涉及调试、性能测试、添加新 kernel 等开发场景。如通过装饰器做 CUDA 调试，提供两种计时方式做性能测试，还给出添加新 kernel 的 10 步流程及最终文件清单，实用价值高。
Qwen-Image-2.0: 字字清晰，张张细腻
阿里云推出Qwen-Image-2.0图像生成基础模型，具专业文字渲染、细腻真实质感等特色。在AI Arena盲测中表现优越，能精准生成复杂内容，文字渲染有准、多、美、真、齐特点，图像编辑能力也得到增强。
先解行为，再训Agent：CMU开源首份Agentic Search日志数据，把Agent拆开给你看
CMU团队基于DeepResearchGym平台，从半年真实流量中整理出数据，构建并在Hugging Face开源首个Agentic Search行为日志数据集。还提出三层分析框架，刻画智能体搜索行为，为研究和系统设计提供基础与信号。
Strix AI驱动的漏洞动态验证能力分析
传统SAST工具只能发现‘可能有问题的代码’，无法确认漏洞是否可被利用，导致高误报率。Strix采用‘静态分析 + 动态验证’的混合模式，先定位可疑点，再对漏洞进行真实攻击验证，显著降低误报率。
Claude自己写出Claude！2小时干完两月活，人类在工位上多余了？
Anthropic推出的AI办公利器Claude Cowork引发关注。它能两小时干完两个月的工作，代码由Claude Code自己编写。该工具应用广泛，让人类面临职业价值拷问，也可能成为今年AI应用层趋势。
AI 医疗全景更新：为什么硅谷 healthcare 领域出现了最多的 AI 独角兽？
本文基于对全美700余位医疗行业高管的调研及关键人物访谈，梳理AI医疗落地路径与商业化逻辑。指出医疗行业正推动AI商业化，投资增长催生独角兽，落地呈现“非线性加速”，还介绍了投资格局、应用场景等情况。