「开源 Benchmark」共找到 3031 篇相关文章
TransDiff--最简洁的AR Transformer + Diffusion图像生成方法
文章分享图像生成新方法TransDiff，它结合AR Transformer与Diffusion，提出MRAR范式。通过Q&A解答其使用Transformer原因、小Diffusion Deocder效果等问题，还指出它有连续帧生成潜力，将用于视频生成。
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
从「悟道」到「悟界」，智源走进大模型的新时代
在2025智源大会上，智源研究院院长王仲远表示大模型技术演进未到终点。会上推出「悟界」系列大模型，包含Emu3、见微Brainμ等，推动AI从数字走向物理世界。还介绍了具身智能成果，且与企业合作打造生态。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
字节跳动&清华大学开源多模态时序大模型ChatTS，可实现时序数据对话与推理
字节跳动与清华合作开源多模态时序大模型ChatTS，可实现时序数据对话与推理。它用合成数据训练，解决了数据稀缺等问题，在评估中表现远超基线模型，未来可拓展至更高阶任务。
最新！OpenAI：GPT-5将实现大统一，Codex最佳实践是这样的
OpenAI Codex在Reddit AMA活动中，核心负责人围绕先推云端代理、GPT - 5与Operator整合等问题给出路线图。如Codex - 1预览情况、CLI设计、使用场景、安全模型、接入计费及API生态等方面都有说明。
AI办公工具实测红榜｜打工人到底该留哪一款？
2026年AI办公赛道竞争焦点转向‘抢入口’，产品繁多让打工人选择困难。文章实测热门产品，分全能型、专项型、专业研究三类，横评各产品优势短板，还深度体验库库AI。
AI 真的太贵了
国内AI套餐价格高、额度低，用户体验不佳。多数国产模型开源，不存在资源问题，但厂商毛利率高达90%。高价阻碍应用层发展，AI应降低价格，让更多人用起来，提升社会生产力。
用户太蠢不配用 Fable？被Anthropic的回应气笑了：最贵的模型，最憋屈的体验
Anthropic推出Fable 5，有限时优惠但价格贵，新回退机制引争议，很多请求被降级。其曾强调安全，却用隐蔽方式编码用户信息，引发开发者不满，与OpenAI竞争也面临挑战。
RAG创新了，MCompassRAG装上了语义指南针
RAG系统存在chunk切分难题，现有方案有额外成本。MCompassRAG不切细、不rerank，给粗chunk加主题元数据当指南针，训练推理分离，实验显示信息效率提升、延迟降低。