「推理能力评测」共找到 4913 篇相关文章
DeepSeek-R1超级外挂！“人类最后的考试”首次突破30分，上海交大等开源方案碾压OpenAI、谷歌
上海交大联合深势科技团队发布新研究，在“人类最后的考试”（HLE）上获32.1分创纪录。团队推出工具增强推理智能体X - Master、多智能体工作流系统X - Masters并开源，方案表现优于OpenAI、谷歌相关模型。
Claude仅用8分钟，5年未解Bug秒破！
知名硬件钱包Coldcard因五年代码漏洞暴雷，此前Coldcard团队多次更新审查未查出，开发者用Claude仅8分钟就找到。此前国会闭门演示展示Claude挖漏洞能力，Anthropic复盘还曝光Claude等模型「暴走」情况。
全球排名前三，复旦自进化Harness Engineering让GPT‑5.4再涨7个点
2026 年以来，Harness Engineering 成业界热词。复旦大学等团队提出 Agentic Harness Engineering (AHE)，可实现 Harness 自动优化。实验中，AHE 让 GPT - 5.4 分数提升，适配 GPT - 5.5 后排名全球第三，且有良好泛化能力。
AI能改10万行代码，却让你走路去洗车！Karpathy戳破「锯齿状智能」
Karpathy在Sequoia AI Ascent 2026炉边谈话指出，AI能力呈锯齿状，背后是经济学问题。他还提及软件新地平线，认为Vibe Coding抬高编程地板，专业开发需智能体工程，人类在智能体时代是工程导演。
海外华人15人团队打造，统一理解与生成的图像模型，超越Nano banana登顶图像编辑
海外AI初创公司Luma发布图像生成模型Uni-1，将「理解」与「生成」统一，在多任务测试中表现优于GPT Image 1.5和Google Nano Banana Pro。它采用独特架构，提升理解能力，由华人团队打造。
13 vs 3，国产安全AI悄悄完成了对Claude的超越
Anthropic官方披露Claude Code Security定位3个典型0day漏洞，而安恒信息旗下恒脑安全智能体100%复现这3个漏洞，还额外挖出10个全新0day漏洞，展现出强大的AI自主发现能力。
姚顺雨入职腾讯50天后，发布了首篇署名论文：CL-Bench
2月3日姚顺雨加入腾讯50天后发布首篇署名论文《CL-bench: A Benchmark for Context Learning》。该论文做了新的benchmark，测试显示前沿模型平均分仅17.2%，指出模型在上下文学习尤其是归纳能力上的短板。
医疗领域DeepSeek时刻：蚂蚁 · 安诊儿医疗大模型正式开源，登顶权威榜单
2026 年初，OpenAI 报告显示不少人用 ChatGPT 咨询医疗问题，还发布了 ChatGPT 健康。近日，蚂蚁集团等开源的蚂蚁・安诊儿医疗大模型或成最优解，它参数量大，在多评测中登顶，技术优势明显。
浙大联手字节：开源大规模指令跟随视频编辑数据集OpenVE-3M
浙江大学与字节跳动合作，提出大规模指令跟随视频编辑数据集 OpenVE-3M，有 3M 样本对。还提出数据构造管线、编辑模型 OpenVE-Edit 及评测集 OpenVE-Bench，小参数量下超越现有开源模型。
The Batch: 882 | Qwen3-Next 提速
阿里巴巴对开源权重模型 Qwen3 全新升级，发布 Qwen3 - Next - 80B - A3B 的 Instruct 和 Thinking 版本权重。其融合新研究成果，推理能耗低、速度快，还优化架构和训练方法提升效率与稳定性。