「基准数据集」共找到 3287 篇相关文章
刚刚，谷歌「IMO金牌」模型上线Gemini，数学家第一时间证明猜想
本周五，谷歌向 Google AI Ultra 订阅用户推出 Deep Think 功能，提供全版本 Gemini 2.5 Deep Think 模型给部分数学家。该模型是获 IMO 金牌模型变体，速度更快，有并行思维等技术，在多领域有用且测试成绩优。
The Batch: 855 | 为智能体而生
总部位于北京的 Moonshot AI 发布 1 万亿参数的 Kimi K2 系列大语言模型，包括预训练和微调版本。它输入输出能力强，架构独特，在多基准测试领先，支持工具调用，多家服务商已集成。
解读｜生产级RAG系统落地的10个经验教训
本文解读Douwe Kiela分享的企业级RAG系统实施十大经验，如要有系统思维、专业化优先等，还推荐新作《MCP原理揭秘与开发指南——构建可扩展的AI智能体》。
AI 基础知识从-1到0.1：带你走进机器学习的世界
文章沿着AI发展脉络，从Seq2Seq到GPT模型，深入介绍关键技术原理。以简明方式梳理AI基础概念，涵盖人工智能、机器学习等定义，还介绍了各类学习方法、特征工程及向量化等内容，最后提及模型应用流程和Quick BI助力企业分析。
感知错误率降低30.5%：隐式感知损失让模型主动“睁大眼睛” | UIUC＆阿里通义
伊利诺伊大学香槟分校与阿里通义实验室推出多模态推理强化学习算法PAPO。它用隐式感知损失设计，解决感知与推理脱节问题，在多基准测试中表现优，但有KL_prcp Hacking现象。
刚刚，Grok 4发布，「人类最后的考试」中拿下50.7%，碾压所有对手，游戏结束？
Grok 4发布并对X Premium+订阅者开放。它是领先的AI模型，人工智能指数超对手，全方位性能爆表，还具备实用功能。在「人类最后的考试」拿下50.7%，显示AI智能增长无上限。
如何判断 AI 将优先自动化哪些任务？
思考AI优先自动化哪些任务，可从‘描述 - 执行鸿沟’视角出发。‘描述 - 执行鸿沟’大的任务是自动化沃土，反之自动化价值有限且创建训练数据难，它与‘判别器 - 生成器鸿沟’相似又不同。
比10年专业医生准4倍！微软发布突破性医疗AI系统
微软首席执行官分享新发布的医疗AI系统MAI - DxO，它模型无关，能适配不同语言模型，模拟医生诊断流程。测试显示其准确率远超专业医生，成本大幅下降。此外还发布序贯诊断基准SDBench。
别再手搓测试数据了！AE测试数据智造系统揭秘
本文介绍基于大语言模型的AE测试数据智造Agent，解决AliExpress跨境电商测试数据构造难题。它结合大模型与原子工具库，实现自然语言驱动的全链路测试数据生成，提升测试效率与智能化水平。
120亿腾讯系AI独角兽冲刺港股IPO，北大数院校友创业19年，包揽27%世界500强客户
估值120亿的上海AI独角兽明略科技准备在港交所上市。它由北大数院校友创业19年，获腾讯等投资，客户涵盖27%世界500强。其产品分营销、营运智能和行业解决方案三类。