「长程任务能力」共找到 4608 篇相关文章
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。
「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能“扛活儿”了？
4月7日阿里云通义千问Qwen3.6-Plus上线，作者用两套真实复杂任务评估其智能体能力。结果显示它在复杂决策和编码任务表现出色，有工业级交付水准，但也有首字延迟等短板，且参数效率优势明显。
第一章：AI 技术前沿全景
文章聚焦AI Agent技术前沿，阐述大语言模型三次能力跃迁，从涌现能力到对齐指令遵循，再到推理与行动。还提及Scaling Law变化，推理时计算扩展更划算，介绍代表性推理方案及多模态融合，指出Agent打破传统对话AI局限。
不卷速度卷验证，陈天桥MiroMind精准预测15天后黄金价格
陈天桥带队的MiroMind发布新一代重型推理智能体MiroThinker-1.7和MiroThinker-H1，在基准测试中表现优异，超越众多顶尖模型。该模型不仅通用任务强，在科技金融等专业领域也表现亮眼，还能承担真实长链条智力任务。
模型一模一样，Token 却相差 70 倍？三项实测揭开 AI 编程工具的成本黑洞
本文通过三项独立基准测试，证实相同AI模型下，不同AI编程智能体框架的Token消耗最高相差70倍，分析了成本差异的核心原因，为企业AI成本控制提供可落地的衡量标准。
Anthropic 突发 Sonnet 5，但大家更期待 Fable 5 和 Mythos 5 明天解禁
昨夜凌晨，Anthropic 突然推出 Claude Sonnet 5，自封“性价比之王”。它重点提升计划制定等能力，价格更低，安全性能提升，但网络安全能力弱于 Opus 4.8 和 Mythos 5。不过用户反馈平淡，Anthropic 面临高端模型受阻和访问控制争议等问题。
这一夜，中国AI彻底翻身了：DeepSeek R1让全世界刮目相看 | 深度评测
作者深度测试新DeepSeek R1，发现其代码生成能力超Claude 3.7，虽编程全面性有不足，但已处Claude 3.7与Claude 4之间。前端设计审美达Claude 4水准，部分方面略胜，有自主学习推理能力，或改变中国AI历史。
从预测到干预，Aether AI为什么押注因果世界模型？
Aether AI 定义技术路线为「因果世界模型」，关注模型识别影响结果的变量、理解因果结构、模拟干预后果。它从预测未来的局限切入，介绍了因果能力的三类核心问题及研究成果，还用四层架构实现能力落地。创始人黄碧薇看好当下时机，从 Physical AI 切入创业。
Claude MCP封印解除，支持对接网络工具，重磅发布应用集成和深高级研究模式
Anthropic Claude迎来重大更新，包括应用集成和高级研究模式，放开连接限制，可连接常用工具及构建自定义连接，融入工作流程，高级研究模式更智能，新功能已向部分用户开放Beta体验。
Yann LeCun炮轰通用智能完全是BS！Demis Hassabis回怼：大错特错
Yann LeCun在采访中称世上无“通用智能”，认为该概念是胡扯。Demis Hassabis回怼，指出LeCun混淆概念，并从大脑特性、理论可行性及人类文明跨越三方面反驳。