「图像生成评估」共找到 2990 篇相关文章
首次！AI智能体破解「纳什均衡」，大模型学会博弈论｜Cell子刊
多所高校研究团队开发出PrimeNash大语言模型智能体框架，能自动推导纳什均衡闭式解析解并生成证明。它模拟人类科研路径，分三模块求解，经经典博弈验证，还在碳市场博弈展现应用潜力。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。
拿着做数学题的 PRM 来评判 Agent 调用工具，基本是行不通的！
目前评估体系多为结果导向，在工具调用上缺乏像样的PRM基准。Arizona State University和Intuit AI Research研究者推出ToolPRMBench，指出用做数学题的PRM评判Agent调用工具行不通，还介绍了其构建方法、训练范式和实验结果。
把大厂 10 年的职场经验，做成了一个「Coze Skill」—— 扣子 2.0 深度实测
作者实测扣子 2.0，介绍其「技能商店」功能，可将专家方法论封装成技能供调用。通过简历诊断、画架构图、生成 GEO 稿件三个场景展示提效作用，还提及「长期计划」功能，称扣子定位职场 AI，降低使用门槛。
The Batch: 893 | 从预测到执行
2026 年 AI 研究应认识到能预测的模型不等同于能行动的系统。过去十年在被动预测和生成建模成就非凡，但现实任务需系统执行一系列动作。转向长周期任务和目标导向 AI 系统有两大好处。
VLNVerse“宇宙降临”：吴琦团队交出2025具身导航最终答卷
自2018年吴琦团队发表首篇VLN论文后，领域碎片化问题凸显。2025年末其推出全栈平台VLNVerse，涵盖场景生成、物理模拟、任务基准和通用模型，欲打通Real2Sim2Real，推动VLN向Embodied VLN跨越。
阿里干死豆包图疯传，千问：相煎何太急；字节大幅涨薪，传年利润或达500亿刀；印度AI妖股近两年暴涨550倍，仅2名员工｜AI周报
这篇 AI 周报涵盖多领域动态。如阿里辟谣千问全员会干死豆包图；周鸿祎遭前高管实名举报财务造假；字节涨薪并推进 AI 手机合作；多家科技公司有新品发布或业务进展等。
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
谷歌发布智能体Scaling Law：180组实验打破传统炼金术
谷歌新论文通过180组实验找到智能体的Scaling Law（定量扩展原则），在四个基准测试评估，推导预测模型，实验结果颠覆直觉，还量化阻碍因素，发现不同模型协作性格，为智能体部署决策提供支撑。
Runway Gen-4.5刷屏发布，把重量、尘土和光影都做对了，网友：颠覆
Runway Gen-4.5突袭发布，获“视频生成AGI时刻”评价，在Artificial Analysis测试中拿下SOTA。它能精准执行复杂指令，物理还原与视觉精准度强，官方将逐步开放使用权限，还直言其存在因果推理等局限。