「基准测试集」共找到 2465 篇相关文章
2026开年王炸模型MiroThinker 1.5实测：Google和GPT没做到的事，被它做到了
自媒体从业者实测开源模型MiroThinker 1.5，它不拼参数规模，注重去伪存真。在多场景测试中表现出色，如投资决策、内容查证等。其技术揭示大模型未来或在于外部交互，而非参数膨胀。
AI热点选品：当推荐系统遇上“热点”，我们需要一场变革
文章指出当下推荐系统追踪热点滞后，存在时效、解码、迭代困境。为此启动热点AI选品项目，构建自动化热点响应系统，经多环节处理输出优质候选集，还介绍成果、后续优化方向及AIGC图像生成方案。
经验记忆黑科技：LightSearcher让AI工具调用减39.6%、推理快48.6%
现有的 RL 驱动的深度思考大模型系统面临准确率与效率的「跷跷板」困境，北邮百家 AI 团队提出 LightSearcher 框架，解决了这一痛点，在保持准确率的同时，显著提升了工具调用效率。
以孔子命名，超越Claude 4.5 Opus，Meta发布工业级自我进化AI软件工程师CCA
Meta与哈佛联合推出工业级软件工程师CCA，它是一套让AI在工业级代码库协作的方法论，解决长上下文推理等难题。其三维解耦设计、精细记忆机制、自我进化能力获数据验证，还适合引入强化学习。
两个LLM互相对线，推理能力起飞：康奈尔团队发布大模型版类GAN训练法
康奈尔大学团队提出面向大语言模型的类GAN训练框架PasoDoble，通过对抗训练两模型提升推理能力，不依赖外部监督，在多模型实验中显著提升数学基准表现，不过在部分领域外任务有局限。
超实用提示词模板！AI科学家教你用协作提示词激发大模型潜力
文章由知名AI科学家Lance Eliot所写，指出主流大语言模型因训练机制变得‘短视’，缺乏深度协作能力。介绍协作提示词技术，能让AI成为主动引导者，并以测试展示效果，还说明了适用场景。
连肝12小时！一轮狂刷1500篇论文，写4.2万行代码，AI科学家卷疯科研圈
Kosmos是一款全程无需人类插手的AI科学家，最长能连续工作12小时，平均一次研究读1500篇论文、写4.2万行分析代码，79%研究结果可被人类复现，已在多领域有7个真发现。
实战·Agentic 上下文工程（下）：实现一个可自我学习与进化的智能体原型
文章参考ACE论文架构与提示词设计，实现可自我学习与进化的ACE智能体原型。介绍整体架构、各模块实现逻辑、工作流组装测试，也指出当前问题如LLM表现波动大等，并给出改进方向。
北大彭一杰教授课题组提出RiskPO，用风险度量优化重塑大模型后训练
北大彭一杰教授课题组提出 RiskPO，解决大模型后训练陷入「均值陷阱」问题。它将风险规避理念融入优化目标，用「关注奖励分布左尾」替代「追求整体均值」，在多领域数据集上表现超越 GRPO 等。
LLaVA-OneVision-1.5全流程开源，8B模型预训练只需4天、1.6万美元
灵感实验室团队联合 LMMs - Lab 推出 LLaVA - OneVision - 1.5，全流程开源。其 8B 模型预训练 4 天、成本 1.6 万美元，在多模态基准上性能优，还公开数据构建与训练策略等细节，复现简单。