「X - BENCH」共找到 466 篇相关文章
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
大模型玩不好数独？！Transformer作者初创公司公布排行榜：o3 Mini High“变异数独”正确率仅2.9%
Transformer作者初创公司Sakana AI公布AI解决数独能力排行榜，用全新基准Sudoku - Bench考验大模型创造性推理能力。结果显示大模型总体正确率仅15%，9×9数独中高性能模型o3 Mini High正确率2.9%。
你的最快安卓芯片发布了！全面为Agent铺路
高通发布全球最快Windows PC处理器骁龙X2 Elite系列、全球最快移动SoC处理器第五代骁龙8至尊版移动平台。高通CEO安蒙提出对AI趋势的六大理解，新芯片在性能、功耗等方面有显著提升。
重磅！谷歌联合 Coinbase 推出智能体支付协议 AP2，AI Agent 们可以互相打钱了
Google和Coinbase联手推出Agentic Payments Protocol（AP2），配合x402稳定币支付轨道，让AI Agent能相互对话并完成支付交易，开启了Agent经济，还展示了全自动化购物流程，微支付场景将爆发。
还不会用 OpenClaw？已经有人靠龙虾月入 7 万美元了
文章介绍 OpenClaw 的应用场景，如国外小哥靠它和 11 个应用月赚 7.3 万美元。还阐述其在自动化内容、找网红合作、客户支持、KPI 报告及 X 与 YouTube 内容自动化等方面的作用，强调能节省时间和成本。
Claude有的，国产也有！紫东太初科研龙虾ScienceClaw，已经把Harness卷进实验室
Claude发布的Managed Agents让“Agent Harness”概念受关注，而国内紫东太初ScienceClaw早有相关思路并落地。它全链条覆盖科研，能7x24小时优化，具透明执行优势，还覆盖通用场景，架构有创新。
ICML 2025 | 大模型能在信息不完备的情况下问出正确的问题吗？
当前大语言模型推理研究多聚焦被动推理，主动推理研究少，制约其在现实场景应用。为此提出 AR - Bench 基准评估大模型主动推理能力，实验显示大模型主动推理能力严重不足，并指出后续拓展方向。
源神！Twitter推荐算法被马斯克悄悄开源了
马斯克将X平台（原Twitter）「为你推荐」信息流算法开源，不到一天冲到5000 Star。该算法将站内与站外内容合二为一，用基于Grok的Transformer模型统一排序，移除手工特征与大部分启发式规则。
首个地球科学智能体Earth-Agent来了，解锁地球观测数据分析新范式
上海人工智能实验室与中山大学联合研发的 Earth - Agent 解决了多模态大语言模型用于地球科学研究的痛点。它将领域知识工具封装化，利用 LLM 智能规划调度。经 Earth - Bench 评估，其在多方面表现出色，未来发展前景广阔。
打破56年数学铁律！谷歌AlphaEvolve自我进化实现算法效率狂飙，堪比AlphaGo“神之一手”
谷歌DeepMind联合顶尖科学家打造「通用科学人工智能」AlphaEvolve，打破矩阵乘法领域56年效率基准，将4x4矩阵乘法标量乘法次数从49次降至48次，还在谷歌内部加速了运算、缩短训练时间。文中介绍其原理与技术。