「评测成绩」共找到 867 篇相关文章
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
LeCun团队开源首个代码世界模型：能生成代码还能自测自修！传统编程模型一夜成古典
Meta FAIR推出全球首个代码世界模型CWM，它能生成代码、理解语义，还‘懂得’代码执行，能模拟运行过程。在多个代码与推理任务表现出色，开源代码、训练细节等，不过目前仅支持Python。
《生化危机》女主演跨界AI拿SOTA了！打造免费“AI记忆系统”爆火GitHub
《生化危机》女主角Milla Jovovich与程序员老友及Claude合作，打造开源免费的AI记忆系统MemPalace。该系统在多项测试中成绩优异，采用“记忆宫殿法”，检索效率提升34%，还设计了AAAK语言，成本低且精度高。
刚刚，字节开源Seed-OSS-36B模型，512k上下文
深夜，字节跳动Seed团队开源Seed-OSS系列模型，含三个版本。其用12万亿tokens训练，在多基准测试表现出色。有灵活推理预算控制等特性，原生支持512K上下文窗口，基准测试成绩佳。
具身智能“高考”难疯了！人类100分，最强模型12.8
原推出RoboTwin系列基准的团队带来RoboDojo，这是统一的仿真+真实世界机器人操作评测基准。它设42个仿真任务、18个真实任务，让30个主流策略竞技，结果显示机器人距通用操作差距大。
兼顾效率、成本与能力，百灵开源旗舰推理模型 Ring-2.6-1T
5月15日，蚂蚁百灵开源旗舰级推理模型Ring-2.6-1T，权重文件上线Hugging Face、ModelScope平台。该模型有万亿参数，‘按需思考’，在代理执行、推理机制、训练范式三方面升级，评测表现出色。
DeepSeek急招Agent方向！一口气放17个岗位，重度Vibe Coding用户优先
DeepSeek一口气开放17个招聘岗位，核心聚焦Agent方向，覆盖算法研究、数据评测、基础设施等全链条。岗位要求显示其Agent布局从研究落地到能力建设，还追求数据闭环与技术栈全面布局。
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。
蚂蚁集团领投，光轮智能20亿美元估值引领全球具身数据基础设施｜甲子光年
具身智能市场逻辑生变，从关注模型和本体转向数据与评测基础设施。光轮智能获蚂蚁集团领投，估值超20亿美元。其构建完整闭环，参与国际标准制定，打造物理AI教育系统，引领产业发展。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。