「基准表发现」共找到 1842 篇相关文章
普林斯顿团队领衔发布最强开源数学定理证明模型：32B性能大幅超越前代SOTA DeepSeek 671B
近日，普林斯顿大学牵头多机构推出开源数学定理证明模型 Goedel-Prover-V2。其 32B 旗舰模型在多基准测试超 DeepSeek-Prover-V2-671B，8B 小模型特定基准性能与之持平。该模型有三项关键创新，团队已公开模型及数据集。
当AI遇到物理学 —— AAAI大会主题演讲（Daniel）
2026年AAAI大会上，物理学家Daniel Whiteson演讲探讨机器学习与基础物理。指出粒子物理用还原论解释宇宙，虽发现基础粒子，但仍有诸多未知。粒子对撞实验复杂，需机器学习辅助，深度学习已广泛应用，还能助力发现新粒子。
Pixeltable：一张表搞定AI流水线
Pixeltable是统一声明式框架，能处理多模态AI流水线。它用表格接口替代传统复杂架构，有数据统一管理等核心能力，适用于多模态RAG等场景，内置支持主流AI服务，值得多模态AI项目一试。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
Show me《指环王》！卡帕西强推大模型评测新基准
大神卡帕西宣称Anthropic用《指环王》给大模型评测上强度，这一‘指环王基准’正接替‘鹈鹕骑自行车’SVG测试。虽Opus 5生成的画面粗糙，但网友测试展现出丰富创意，不过新测试也引发争议。
AI 智能体实践评估：基准、框架与经验总结
文章为将 AI 智能体从原型落地到生产环境的团队提供实用评估框架。指出传统评估不适用于智能体，介绍评估工具，阐述五大评估支柱，还给出基于 Claude 和 LangChain 的评估示例及实践经验。
马斯克转帖，发现了一个有趣的中国 AI 初创产品！
马斯克转帖一个搞怪视频，其中互动内容由AI工具Loopit制作。Loopit是北京涌跃智能科技有限公司新推出的产品，介于Sora App和Spielwerk之间，玩法多样，或掀起一波风浪。
突然发现，谷歌的 AI Mode “免费、全面”地开放了
上个月谷歌在 iOS 和安卓的 Google App 全面开放 AI Mode，现几乎对所有能访问 google.com 的地区免费开放。它基于 Gemini 2.5 等模型，能智能答问、对话交互，还植入 Agent 功能，变革搜索体验。
多智能体在「燃烧」Token！Anthropic公开发现的一切
Anthropic发布多智能体研究系统构建解释，解决多智能体研究困惑。多智能体系统优势明显，在特定任务中表现出色，但token消耗大。其架构独特，还介绍了提示词工程、评估方法、面临的工程挑战等内容。
我手机里装了20个AI，最后发现只需要一个
AI工具爆炸，人们成了「AI项目经理」。百度DuMate在开发者大会展示强大能力，一句话可让三件不同工作并行执行，有技术架构支撑，已获认证且成本下降，入口之争本质是生态之争。