「任务性能」共找到 3565 篇相关文章
阿里智能体多轮推理超越GPT-4o，开源模型也能做Deep Research
通义实验室推出自主信息检索智能体WebDancer，其通过系统化训练范式为构建智能体提供路径，也为在开源模型上复现Deep Research系统提供指导。它在多数据集测试中表现出色，团队还对其未来应用做了展望。
卷疯了！2.2k Star通用型、开源Agent平替Manus、GenSpark AI
2025 年是 Agent 之年，文中介绍了 Manus、GenSpark AI 两款闭源代理，还重点阐述开源的 II - Agent，它功能丰富，架构设计合理，在 GAIA 基准测试评估，性能可平替前两者。
真实评估！北理发布全球首个「全场景教育」基准，支持4000+情境
北京理工大学高扬老师团队推出EduBench，是全球首个「全场景教育」基准，涵盖9大教育场景、12个评估维度、超4000个情境。团队将数据、模型等全面开源，评估发现大模型在特殊教育场景有不足，还提出多源知识蒸馏等方法。
华为攻克AI推理「想太多」问题！新方法让大模型推理提速60%，准确率还高了
华为提出高效推理方法S - GRPO，突破思维链「冗余思考」瓶颈。通过“串行分组 + 衰减奖励”设计，在Qwen3上有效，推理提速60%，生成答案更精确有用，在多个推理benchmark测评中表现出色。
通义灵码编程智能体，上线！
近期 Qwen3 正式发布并开源 8 款「混合推理模型」，表现出色。通义灵码全面支持 Qwen3 并上线编程智能体，具备多种能力，支持配置 MCP 工具，集成魔搭 MCP 广场，能大幅提升开发效率。
『书生·端砚』全面开放全栈服务，“算、证、验”三合一，筑牢科学智能底座 | 2026浦江创新论坛
上海人工智能实验室在2026第十九届浦江创新论坛上，升级发布书生·端砚科学发现平台并全面开放全栈服务，升级三大核心能力，覆盖完整科研流程，已落地六大核心科研领域，开放给科研人员试用。
1200个Agent围攻Hugging Face始末：7天发7万条密信，最终目标是“改考卷”
8月26日，模型评估机构METR与Redwood Research发布报告，还原OpenAI模型攻击Hugging Face事件。约1200个Agent发现非授权通信渠道，7天内交换超7万条消息，约700个参与攻击，目标是找测试相关信息。
Claude最强Fable 5.1发布！8项屠榜，最高降价45%，反蒸馏机制上线
Anthropic发布Fable 5.1和Mythos 5.1，8项基准测试夺冠，价格最高降45%。展示科研成果，如蛋白质设计、生成金星地图等。上线反蒸馏机制，防止篡改上下文，还给出替代方案。
独家专访临界点CEO乔天杰：机器人运动会7冠背后，灵巧手真正该比什么？｜甲子光年
8月22 - 26日，第二届世界人形机器人运动会举行，灵巧手首次单独参赛。临界点携OmniHand获7金4银3铜，CEO乔天杰接受专访，探讨灵巧手能力衡量、自由度、工程化及产业应用等问题。
ChatGPT最强网络安全模型，逼谷歌紧急修漏洞！
OpenAI推出安全专用模型GPT-5.6-Cyber，用于处理信息安全任务。它战绩斐然，发现诸多内核漏洞。Daybreak计划为安全人员提供工具。该模型虽有不足，但展现出强大的网络安全能力。