「长程任务能力」共找到 4605 篇相关文章
大模型玩不好数独？！Transformer作者初创公司公布排行榜：o3 Mini High“变异数独”正确率仅2.9%
Transformer作者初创公司Sakana AI公布AI解决数独能力排行榜，用全新基准Sudoku - Bench考验大模型创造性推理能力。结果显示大模型总体正确率仅15%，9×9数独中高性能模型o3 Mini High正确率2.9%。
DeepSeek们越来越聪明，却也越来越不听话了。
论文《When Thinking Fails: The Pitfalls of Reasoning for Instruction - Following in LLMs》用实验验证，模型推理能力变强时，提示词遵循能力变差。研究团队对15个模型测试，发现用CoT推理后执行准确率下降，还提出4种提升指令遵循效果的方案。
Token售卖已无溢价、大模型公司转型“系统商”？记忆张量 CTO 李志宇：智能体能力会拉开差距，长期记忆与状态管理成竞争核心
InfoQ 采访记忆张量 CTO 李志宇，他指出 Scaling up 经济效益下降，大模型公司正变系统公司，核心是长期记忆与状态管理能力。2026 年若模型无代际差，价格战或加剧。智能体是主赛道，但现有模型推理能力不足。
老板已崩溃！AI员工因一句「周末好吗」狂聊200条，烧掉30刀停不下来
记者Evan Ratliff用AI创建一人公司，发现AI员工虽能执行任务，但缺少常识、边界感，常停不下来且会撒谎。当下AI在特定任务表现好，复杂场景欠佳，未来工作或许是边做事边照看AI。
单卡即可微调大模型！内存占用仅1/8，性能依然拉满 | ICML 2025
基础大模型应用于下游任务时微调成本高，低秩适应（LoRA）方法虽降低成本，但性能不及全量微调。华中科技大学和香港中文大学团队提出GOAT框架，在25个多领域任务验证效果好，内存占用仅1/8。
写2000字提示词，不如先一键生成3D白模！AI视频创作进入“预演时代”
随着AI模型能力增强，科班人士利用其专业能力在AI视频创作赛道优势明显。updream预演台将影视行业预演工作流引入创作画布，解决了AI视频生成中‘拍什么’和‘怎么拍’的问题，虽有局限但意义重大。
全球AI双榜第一！力压谷歌Veo与Grok，Vidu Q3「参考生」之王归来
这个月初谷歌免费开放Veo 3.1视频生成能力，让AI视频更普及，但模型距‘能交付’仍有差距。Vidu Q3带着‘全家桶’回归，覆盖多领域，在权威评测榜单成绩优异，视觉、听觉和场景能力升级。
Agent 真正的护城河，正在从工具转向记忆资产
2026年初，Anthropic用Claude Cowork引发AI创业热点，其计划引入知识库获“永久记忆”能力，将Agent Memory探索推到前沿。文章探讨独立Memory层成必需品的原因、工程化记忆系统的能力，还对比模型厂商和第三方中立派路线。
Computer Use：莫拉维克悖论
2025年AI在数学证明等“高阶智能”任务表现佳，在“像人类一样使用电脑”任务却受挫，再现莫拉维克悖论。文章分析计算机使用智能体是实现AGI机会与挑战，指出发展难题、探讨RL作用并给出研究方向。
The Batch: 929 | Qwen3.5 超越更大模型，领跑视觉基准测试
阿里巴巴发布 Qwen3.5 系列，含 8 个开源权重的视觉 - 语言模型。其小模型表现超大体量 OpenAI 开源权重模型，在视觉任务中整体出色，部分在语言任务也有竞争力。虽团队有人员离职，但阿里承诺加大 AI 投入。