「GPT - 5.3 - codex」共找到 3934 篇相关文章
3B模型性能小钢炮，“AI下半场应该训练+验证两条腿跑步”丨上海AI Lab&澳门大学
上海AI Lab和澳门大学联合发布通用答案验证模型CompassVerifier与评测集VerifierBench，填补Verifier领域循环迭代体系空白。AI下半场评估比训练更重要，当前验证方法有困境，新模型验证精度高且能用于强化学习。
AI 如何讲好一个多人故事？首个支持多角色互动的3D场景叙事系统
首尔国立大学提出全新框架，能生成虚拟动态场景并支持多角色上下文动作生成。引入LLM拆解复杂任务，系统用事件驱动方式规划动作，还构建基准评估相关能力，有良好扩展性和实用性。
任务级奖励提升App Agent思考力，淘天提出Mobile-R1，3B模型可超32B
现有Mobile/APP Agent依赖动作级奖励，难应对变化环境。淘天集团团队提出Mobile-R1框架，采用三阶段训练，结合任务级奖励，实验显示其表现超基准，团队还计划开源资源。
180 天狠赚 5.7 亿，8 人团队全员财富自由，最大功臣是 Claude 和 Gemini
海外巨头 Wix 8000 万美元买下成立仅 6 个月的 AI 公司 Base44。其创始人 90 后 Shlomo 从两个现实需求出发，打造“全栈原生”AI 开发平台，用独特策略获 40 万用户，揭示团队规模和资金非竞争决定因素。
180 天狠赚 5.7 亿，8 人团队全员财富自由，最大功臣是 Claude 和 Gemini
海外巨头 Wix 斥 8000 万美元收购成立仅 6 个月的 AI 公司 Base44。其创始人 Shlomo 用 AI 打造“开箱即用”开发平台，采用“全栈原生”理念突围。Shlomo 分享创业经历、工具使用及增长策略等。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
o4-mini暴击六大数学天团，攻破陶哲轩难题！4.5h激战人类阵地失守
Epoch AI团队举办竞赛，约40位数学精英分成8组与o4 - mini - medium在FrontierMath基准上对决。o4 - mini击败6组团队，虽未完全超越人类，但Epoch AI预测到2025年底AI可能超30% - 50%人类基准。
一分钟做3D音符版“跳一跳”，Flowith成通用Agent新“必玩王者”丨TIP 003
Flowith作为较早出海的AI产品，以自由画布+通用Agent组合出圈。其Neo版本技术功能强，产品服务有亮点，如不限DeepResearch任务、以人为主的智能代理、回答速度快等，虽有不足但未来值得关注。
图灵奖得主杨立昆现场追问：AI 还没越过这 3 道认知墙，谈什么通用智能？
图灵奖得主杨立昆指出AI未越过三道认知墙，即看不懂物理世界、无长时记忆、无推理结构，提出JEPA架构及AMI概念，还建议别卷模型，应卷架构，如探索具身智能等领域。