搜索：测试时强化学习

「测试时强化学习」共找到 3013 篇相关文章

The Batch：924｜GPT-5.4：性能更高，价格也更高

OpenAI更新旗舰模型GPT-5.4，有Thinking和Pro两个版本，扩展工具使用能力，多基准测试达当前先进水平，但定价高。虽在部分任务表现超Claude，挑战Gemini地位，不过成本也更高。

近几年机器人发展火爆，摩根士丹利预测到2050年产业规模或超5万亿美元。但机器人领域安全复杂，研究团队用CAI框架对三款消费级机器人渗透测试，揭示严重安全问题，且行业整体对安全无知。

AI发展迅猛，现有基准测试难以跟上其步伐。近1000名研究人员组成的全球联盟创建「人类最后的考试」（HLE），涵盖多领域难题，目前最强AI准确率不足50%，凸显AI与人类专家的差距。

吴恩达团队提出新版图灵测试界定 AGI，避免行业泡沫。在播客中他还谈及 AI 关键议题，指出 AGI 短期难实现，规模化非唯一路径，AI 不会大面积取代岗位，中美 AI 各有优势等。

具身机器人成科技新热点，大家期待其释放生产力。小米首代具身VLA大模型Xiaomi - Robotics - 0抓间歇停顿问题，4.7B参数规模下推理延迟仅80ms，还做三项技术创新，且全面开源。

论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。

本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。

印奇上任后，阶跃星辰发布新一代开源Agent基座模型Step 3.5 Flash，总参数196B，支持256K上下文窗口。它推理快，适配多家芯片厂商，在多场景表现出色，还具备端云协同能力，架构也有多项优化。

新智元报道，Claude Code正重新定义编程。顶级开发者用它写代码，零基础小白10分钟做出App，教授20分钟完成48小时工作量。它理解项目上下文，自动设计、生成、测试代码，普通人用自然语言提需求即可。

阿里千问率先发布Qwen3-Max-Thinking正式版，刷新全球SOTA。该模型总参数超万亿，有技术创新，提升了推理性能和原生Agent能力。实测代码和工具调用能力强，还透露技术细节，中国开源模型影响力不断提升。