「推理质量评估」共找到 3139 篇相关文章
微软再放LLM量化大招！原生4bit量化，成本暴减，性能几乎0损失
微软公布BitNet v2，性能几乎0损失，占用内存和计算成本显著降低。它首次实现对1比特LLMs的原生4比特激活值量化，通过H - BitLinear模块处理异常通道，实验显示其在多方面表现优异。
Artificial Analysis：DeepSeek成为世界前二AGI实验室
模型与API独立分析公司Artificial Analysis对DeepSeek R1-0528评估显示，其一举超越xAI、Meta等，与谷歌并列全球第二大人工智能实验室，在多方面性能提升，缩小了开源与闭源模型差距。
Claude 4破解困扰人类4年系统bug，30年码龄程序员200小时没搞定，GPT-4.1/Gemini-2.5也做不到
30年码龄程序员4年没搞定的顽固型‘白鲸bug’，Claude Opus 4配合Code模式，用30个prompt+1次重启，几小时就破解。此前GPT - 4.1等模型都失败，凸显Claude编程与推理能力强。
Veo 3全网实测惊艳所有人！DeepMind CTO：规模是AGI全部吗？
谷歌推出视频生成模型Veo 3，一句提示词就能打造电影质感短片，还能音画同步，引发网友惊叹。DeepMind CTO在访谈中表示，规模非AGI唯一要素，还提及Deep Think模式及Veo 3进展等。
北大校友、OpenAI前安全副总裁Lilian Weng关于模型的新思考：Why We Think
北大校友Lilian Weng更新博客《Why We Think》，回顾利用测试时计算研究进展，探讨激励模型思考方式，介绍思维链、并行采样、序列修订等策略，还提及强化学习、外部工具使用及未来研究方向。
突发！Opus 5.2深夜上线，RSI真来了？
Anthropic在Claude Code开启Claude Opus 5.2灰度测试，跳开5.1版本，解决了以往AI“偷懒病”，响应速度、输出质量大幅提升，同时曝光内部已用核武级Model 2编写代码，RSI或已来临。
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。
启发学习：让大模型认知从外化到内生
当下大模型能力多靠人为框架，能力上限受限。文章提出“启发学习”，将其集成到推理侧成Isaac框架，通过Prompt与网络层注入复用旧经验，实验显示能大幅提升大模型任务性能。
完全相信 AI 代码的 Uncle Bob，坦诚这条路还没走通
在AI代码普及当下，Uncle Bob放弃人工评审代码，搭建管控框架引争议，Grady Booch反对，认为AI无法替代资深工程师。Uncle Bob设强约束体系，虽有成效但自动化架构规划未达理想，还给出开发建议。
NovaSilicon发表新论文：造芯的瓶颈不在工具，而在组织
NovaSilicon发表论文探讨超级智能在芯片领域的运用。随着芯片复杂度提升，传统EDA方法遇瓶颈，论文提出将芯片设计超级智能建模为AI组织，利用LLM等技术，重塑芯片设计行业，实现产业链智能化升级。