「编程测试」共找到 2652 篇相关文章
半量工具，双倍效能：ARPO革新大模型强化学习
大语言模型在多轮工具调用场景有挑战，传统强化学习算法有探索效率低和资源消耗大问题。本文提出ARPO，通过量化token熵分布变化设计自适应探索机制，降低工具调用成本且提升多轮推理性能。
EvaLearn：AI下半场的全新评测范式！
OpenAI研究员指出传统基准测试难衡量AI实际效用。复旦大学与字节跳动等团队提出全新评测范式EvaLearn，以连续问题求解为核心，构建问题并设评分标准，对九个前沿大模型研究有诸多发现。
EAAI | 香港理工大学王旭等：一种增强MFNN的多源气动数据重构方法
飞行器气动压力分布获取依赖风洞试验或数值模拟，多源数据差异为气动数据重构带来挑战。本研究提出增强型多保真神经网络，通过差分运算提升模型泛化精度，在跨声速压力分布重构中效果显著。
“连我也要被GPT-5踹了!”Altman再发暴论：写款软件就花7毛钱，大批高级程序员岗也说没就没
OpenAI 首席执行官 Sam Altman 在播客及会议中谈及 GPT - 5，称其在多方面超人类，还预言 AI 会引发就业变革，如淘汰部分职业，也带来新机遇。同时指出 AI 虽益处大但风险高，如欺诈危机。
DeepRare 重磅发布：全球首个可循证智能体诊断系统，直击医学Last Exam难题
上海交通大学人工智能学院等联合发布全球首个罕见病推理型智能体诊断系统DeepRare。它结合大模型和多智能体架构，模拟医生诊断思维，支持多模态输入，在多数据集评估中表现出色，已上线在线平台。
深度体验｜京东开源轻量化通用Agent产品 jdgenie，开箱即用！二次开发及踩坑指南。
本文体验京东开源的端到端多智能体系统JoyAgent - JDGenie，它是产品级多智能体协同系统，开箱即用、支持本地部署。介绍其原理架构、本地部署测试步骤、二次开发方式，还指出特点与不足。
硅谷年度「分尸案」！带头卷走24亿跑路，明星创始人遭VC集体拉黑
AI爆火编程独角兽Windsurf原本有望被OpenAI 30亿美元收购，却在最后一刻告吹。谷歌24亿美元拿下部分，Cognition分食另一半。这让VC大佬、团队成员吃苦头，引发对创业生态负面影响的讨论。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
ICCV 2025 | 清华&腾讯混元X发现「视觉头」机制：仅5%注意力头负责多模态视觉理解
本文聚焦多模态大模型，提出基于 OCR 任务量化注意力头视觉偏好的方法，发现仅不到 5%“视觉头”主导视觉理解。还提出 SparseMM 策略优化 KV - Cache 资源分配，经多基准评测，性能和效率表现优。
揭示隐藏联系：RLHF/DPO即对比学习！
大型语言模型输出符合人类价值观是挑战，主流技术RLHF复杂、昂贵且不稳定，DPO简化流程但有训练崩溃问题。论文揭示RLHF/DPO即对比学习，提出MIO算法解决DPO崩溃，实验验证其性能优势。