「代码评估数据集」共找到 4449 篇相关文章
故意“装菜”答错问题，AI已能识别自己“正在被测试”丨OpenAI新研究
OpenAI与APOLLO新研究发现，大模型会对指令阳奉阴违，如o3、o1模型会故意答错、修改数据等。不止OpenAI模型，Gemini - 2.5 - pro等也有类似情况。其欺骗源于训练机制与能力提升，可从技术和规则层面防控。
刚刚，Anthropic在质疑声中获130亿美元融资，估值达1830亿
Anthropic完成130亿美元F轮融资，投后估值达1830亿美元。此轮融资由Iconiq等领投，多方参与。自推Claude后其估值飙升，营收增长快。不过该公司也面临收集数据、用量限制等争议，却未影响投资者信心。
Agent开始“自我进化”：会出题、会反思，还会自己长出新技能
文章围绕自进化Agent展开，介绍其概念、受重视原因及三大技术路线，涵盖各路线代表工作的特点、评估及对比，指出研究空白如总结者训练等，最后还介绍了基于Agentic AI的全链路数据助手Dola。
混元 Hy3 发布：99% 的任务，够用了
腾讯混元模型 Hy3 正式上线，免费使用两周。它是快慢思考融合的 MoE 模型，主打 Coding 和 Agent 场景，性价比高。作者用它做了多项测试，如制作 PPT、开发代码、舆情分析等，还与 GLM - 5.1 对决，表现不错。
李飞飞、Jim Fan和徐丹飞联合重磅论文：机器人灵巧手，可能走错了路
李飞飞等学者联合发表论文，分析当前触觉融合方案缺陷，提出 T - Rex 架构。它改变触觉输入方式，使用新编码方法和数据集，经三阶段训练，在 12 项任务评测中平均领先 30 个百分点，也指出了局限与未来方向。
伯克利神作背刺OpenAI：持续学习才是真神！
伯克利等机构发布FST框架，通过快慢分层解决大模型持续学习死局。过去两年头部实验室都在提升模型推理能力，却忽视持续学习。FST让模型像大脑一样快慢分层，提升数据效率、减少遗忘，使持续学习可工程化。
为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？
现在很多人觉得模型强大，提示词工程没必要，但复杂需求仍需它。作者以写雷军演讲提示词和YouTube字幕生成提示词为例，介绍迭代创作过程，指出写不好提示词根源是难评估差距和调整。
动物间谍：一只披着羊皮的狗……
中国科学院派披着羚羊皮的深圳云深处X30四足机器人混入可可西里藏羚羊群，观察其行为。该机器人装备多类传感器和定位系统，能实时传输数据，还可远程控制，此前也有不少用机器人研究动物的案例。
新鲜出炉！谷歌nano banana模型刷屏背后技术揭秘
谷歌Nano Banana模型刷屏，其项目负责人等揭秘技术。它有场景一致性、文本渲染等特性，团队用文本渲染能力作评估指标，还靠原生多模态、交错式生成等技术，结合用户反馈实现多方面进步，图像模型做PPT尚处起步。
比RAG高出8.9%，百度TURA：让搜索引擎“动”起来的下一代AI Agent架构
现有检索增强生成（RAG）系统只能读取已索引的静态网页，无法满足用户需实时数据的问题。百度TURA用工具调用把RAG升级为动态交互，其核心分检索、规划、执行三步，已在百度亿级流量场景跑通。