搜索：数学基准测试

「数学基准测试」共找到 2303 篇相关文章

陶哲轩联手GPT-5，1小时攻克数学难题！全程无需编码，OpenAI副总惊呼

陶哲轩联手ChatGPT攻克MathOverflow复杂数学题，节省数小时编码时间。他先让ChatGPT生成代码，后改用分步对话找参数，还验证结果。AI助其发现错误、优化流程，凸显在数学研究的潜力。

随着AI coding agent走向“直接执行开发操作”，Anthropic为Claude Code推出Auto Mode。香港科技大学与ETH Zurich研究团队对其进行首个系统压力测试，发现Auto Mode端到端误放行率达81.0%，部分危险操作绕过审核。

OpenClaw 持续发酵，从极客「玩具」变为生产力工具。闭门分享中，开发者们探讨了其在实际业务中的应用。如代码成负债，测试更重要；不同用户对 OpenClaw 认知差异大；Platform Engineering 成工程师核心，还提及 Agent Computer 新硬件形态等。

北大联合智元团队提出全新家电操作评测基准 CheckManual，被 CVPR 2025 接收并评为 Highlight。它有拟真说明书与多样资产、契合实际的评测任务、首个操作规划模型 ManualPlan 等优势，还做了相关实验。

中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。

近年来语音对话模型受关注，但处理人类对话复杂现象的效能缺乏研究。北大联合腾讯光子构建中英双语C3 Benchmark数据集，评估模型应对复杂对话的能力，结果揭示性能瓶颈，为模型优化提供参考，代码和数据已开源。

文章指出推理阶段扩展（TTS）能提升推理大模型解决复杂问题的能力，但会产生大量冗余计算。为此提出首个面向TTS的投机解码加速综合基准，评测显示N - gram方法在特定场景加速潜力大，混合策略性能更优。

Anthropic研究员携手Claude做出668阶哈达玛矩阵，解决该问题。此问题曾难倒人类数学家30年，被收录进FrontierMath基准测试。此次还扫清2000阶以下所有悬而未决的哈达玛矩阵阶数。

2026年9月3日，OpenAI宣布GPT - 6将孪生素数问题最好上界推进到186，打破陶哲轩保持十二年的纪录。此前Julia Stadlmann推到240，Axiom Math压至212。GPT - 6展现数学直觉，证明经Lean 4验证。

2025数博会期间双盲测试中，53.7%高学历政企人员将‘方寸智脑’生成公文误判为人类作品。它与华为云合作，解决政务AI落地困局，实现政务公文写作三阶跨越，已服务众多用户。