「数据短缺」共找到 2591 篇相关文章
不用考生实测就知道题难不难：这个AI试题评测框架把考试难度“量化”了 | TMLR
弗吉尼亚理工等团队提出 Epi2Diff 框架，将大模型推理轨迹拆解为 8 类认知片段预测人类作答难度，SAT数学分类准确率达到73.0%。
R-HORIZON：长程推理时代来临，复旦NLP&美团LongCat重磅发布LRMs能力边界探测新范式
复旦大学与美团LongCat Team联合推出R - HORIZON，它是首个系统性评估与增强LRMs长链推理能力的方法与基准。提出Query Composition方法构建评测基准和训练数据，评测发现主流模型长链推理性能断崖式下降，还分析出三大瓶颈，训练后模型性能双重提升。
难怪Claude突然封号！Anthropic自曝：你聊的每句话，它都在后台悄悄举报
Anthropic 公开 「自我评估」隐藏审查机制：Claude 生成回答后顺带评估对话危险等级并上报，算力开销增加不到 2%，前台不报错，后台定期拉清单封号。
阿里巴巴与Apple达成合作，将千问集成至Apple智能
阿里巴巴与苹果达成合作将千问接入 Apple 智能，中国用户可在 Siri、写作工具及视觉智能中直接调用，12月随系统更新正式向中国用户推出。
耗时4小时、调用工具1492次：首次能操作电脑的腾讯混元Hy4交出了什么？｜甲子光年
腾讯发布混元Hy4正式版，首次加入视觉理解与电脑操作能力并计划开源权重；官方坦承多数跑分仍落后于顶尖闭源模型，但在内部科研评测中位居开源第一。
ChatGPT 正在偷偷给你画像，用这段提示词让它交出来
针对 80 名真实用户的论文研究显示，ChatGPT 的记忆中仅 4.1% 来自用户主动要求，近 96% 均为系统单方面推断写入，且过半记忆包含对用户心理状态的推测。
7000字回看文档OCR多模态大模型狂潮史：129个模型、6个发展时期下的3点观察
文章梳理 129 款文档 OCR 模型的演进脉络，指出主力已收敛至 0.8B—1.3B 档位，训练配方固化为渲染合成、难样本挖掘与可验证奖励RL。
折腾了整整1年，毫无保留地分享一下我这套Agent自动化系统。
博主卡兹克分享了运行近一年的个人 Agent 自动化架构：通过事件中台调度不同模型、自建本地 CI 完成代码审查与测试，日常仅在飞书卡片上做最终决策。
GPT-6「看不懂 3D」实锤！250道题只拿0.53分，Claude没及格
AI 研究机构 UniPat 推出跨学科 3D 科学评测基准 ScienceVision，涵盖生物、建筑等 5 领域的 250 道题。测试中表现最好的大模型最高仅得 0.53 分（满分 1 分）。
摩尔线程单季扣非净利润首次转正，国产GPU生意走到哪一步了？
国产GPU厂商摩尔线程三季度营收15.52亿元，同比增1773.92%，扣非净利润2007万元，单季扣非净利润首次转正，但前三季度扣非累计仍亏损1.31亿元。