「基准测试集」共找到 2465 篇相关文章
前端同事看走眼了，这个“游戏网页”其实全是AI写的!
Kimi K2.5上新，集视觉理解、代码生成等能力于一体，提供四种使用模式，其中Agent集群模式提效显著。实测显示其网页生成、动效理解能力出色，下一代K3模型或用新架构KDA降低计算成本。
OpenAI开启“印钞机”模式？ChatGPT官宣引入广告，新增8美金/月Go版低价订阅服务
OpenAI宣布广告业务要来了，其低成本订阅服务ChatGPT Go将登陆美国及所有ChatGPT可用地区。未来几周将在美国免费版和Go版中测试广告，Pro、Business和Enterprise订阅方案无广告。还明确广告业务五大原则。
Gemini盘活了谷歌全家桶，“原生”自带你10年的记忆
谷歌发布由Gemini3驱动的“Personal Intelligence”功能，底层连接旗下四大应用，让AI跨应用获取数据，还内置纠错机制。该功能现处Beta测试，未来覆盖免费用户。谷歌与苹果引入Gemini后路径不同，AI竞争也转向生态构建。
终于敢把真实地址、银行卡、种子词直接扔给大模型了
作者将真实个人信息扔给多个大模型测试，结果模型收到的是脱敏后的占位符，OneAIFW 能自动完成敏感信息的占位和还原，本地完成操作，不留日志不上云，还介绍了使用方法和项目地址。
AI越会思考，越容易被骗？「思维链劫持」攻击成功率超过90%
独立研究者Jianli Zhao等人新研究发现，思维链劫持攻击通过在有害请求前填充无害解谜推理序列，能对推理模型实现越狱攻击。在HarmBench基准上，对多模型攻击成功率超90%，揭示思维链推理存在新安全漏洞。
Unsloth发布Qwen3-VL本地运行和微调指南，修复隐藏bug
Unsloth团队修复Qwen3-VL系列模型聊天模板语法问题，重新上传GGUF量化文件，使模型可本地稳定运行。介绍了不同规格模型硬件需求、表现，给出部署步骤、参数差异，还展示多模态能力测试，提供多种格式模型及微调工具。
机器人连续叠衣120分钟！仅用0.9B参数实现五大SOTA｜清华AIR & 上海AI Lab开源
清华大学智能产业研究院与上海人工智能实验室联合发布通用跨本体具身基座模型X-VLA。它是首个实现120min无辅助自主叠衣的全开源模型，仅0.9B参数量就在五大权威仿真基准刷新纪录。
阿里开源14B电影级视频模型！实测来了：免费可玩，单次生成时长可达分钟级
昨夜阿里发布14B视频模型Wan2.2 - S2V，仅需一张图片和一段音频，就能生成电影级数字人视频。该模型发布即开源，可在通义万相官网免费体验，单次生成时长可达分钟级。
对噢！为什么LMs就不能直接输出答案+confidence呢？
当前语言模型在复杂问答任务中存在校准退化问题，本文提出RLCR方法，将概率校准融入RL训练目标，重构奖励函数，在多个数据集实验中显著降低校准误差，不损失准确性，为高风险场景AI部署奠基。
7B模型对标GPT-4o，全球首个医疗代码生成大模型训练平台来了
研究团队发布全球首个医疗代码生成大模型训练平台MedAgentGym，提供评估基准和训练生态，提升大模型医疗代码生成与推理能力。经其训练的Med - Copilot - 7B达GPT - 4o相当水平，解决医疗AI编程瓶颈。