搜索：推理能力评测

「推理能力评测」共找到 4913 篇相关文章

5小时通关《原神》主线！Lumine：AI玩家正式登场

Lumine能像人类一样理解游戏画面、推理并操作，以接近人类效率5小时通关《原神》蒙德主线，还能零训练玩《鸣潮》等。它是开放式研发方案，靠少量数据和显卡让模型成强大智能体。

在数字经济浪潮中，企业对高效信息获取与决策支持需求迫切，但现有研究系统存在不足。阿里巴巴钉钉团队提出Dingtalk - DeepResearch多智能体框架，在评测中成绩优异，已在真实企业场景部署。

上海交通大学与蚂蚁集团等团队提出新训练框架，构建面向医学诊断的世界模型DiagGym，训练诊断智能体DiagAgent，还设计评测基准DiagBench。实验显示该框架下的智能体表现优于先进模型，代码等已开源。

PsiQuantum由薛定谔外孙参与创办，获10亿美元巨额融资，欲2028年造百万比特级量子计算机。其量子比特基于光子，有生产优势，不过纠错能力待验证。公司团队学术背景强，项目多为政府大单。

AI后训练依赖监督微调或程序化检查器，但很多有价值任务缺这两种资源。Meta超级智能实验室等机构研究者提出CaT方法，把推理时额外计算当教师信号，为大模型提供监督，实验显示效果显著。

AI基准ClockBench测试AI读模拟时钟能力，人类平均准确率89.1%，11个主流大模型最好仅13.3%。研究展示了LLM局限性，分析了可能原因，还对比了不同模型表现及在各类问题上的差异。

Sam Altman宣告SaaS将进入快时尚时代，新的GPT - 5编程能力或让开发SaaS像Zara出新款般轻松。但此概念最早由Patricio提出，他认为AI编程会带来‘代码污染’，与Sam态度不同。

上海交通大学与智元机器人等团队推出Hume——融合系统2慢思考的双系统VLA模型。它结合深度推理与实时控制，在多种机器人平台实验中表现出色，平均成功率达91%，显著超越现有模型。

具身智能中长程执行成关键问题，墨奇智能发布具身模型架构MoRA，提出Agentic - Native技术路线，让Agentic能力原生存在于策略模型中，还介绍了模型内部设计、所需数据等内容。

文章指出在AI指数级增长时代，传统产品管理假设已不适用。以Anthropic的Claude Code为例，展示模型能力大幅提升，介绍了新的产品管理工作流程、四个根本性转变及新节奏，强调判断力的重要性。