「推理能力评测」共找到 4913 篇相关文章
刚刚，OpenAI前CTO Mira Murati公司Thinking Machines Lab发文，揭开了大模型不确定性的真相
OpenAI前CTO Mira Murati创立的Thinking Machines Lab推出研究博客Connectionism，首篇文章聚焦LLM推理的非确定性问题。研究发现真正原因是批次不变性缺失，提出实现批次不变内核的方案，实验效果显著。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。
美团也开源了大模型，但我觉得他们的野心是通用生活Agent。
美团发布并开源560B参数的MoE模型LongCat - Flash - Chat，推理速度快。与DeepSeek V3对比，输出速度优势明显。美团多个落地或内测AI功能服务C端生活场景，目标是打造通用生活Agent。
谷歌认领最强AI版Photoshop！现在人人可用，效果确实强悍
谷歌认领神秘图像编辑模型nano - banana，即Gemini 2.5 Flash Image。它可免费在Gemini和Google AI Studio使用，API收费。该模型图像编辑能力出色，能合并图片、实现2D到3D转换等，此前爆火却无官方文档。
GPT-5通关《宝可梦水晶》创纪录！9517步击败赤爷，效率碾压o3三倍！
GPT-5通关《宝可梦水晶》创纪录，仅9517步击败赤爷，步数为o3的三分之一。它在主线任务效率也远超o3，如收集徽章、对战四天王等。其优势在于幻觉少、空间推理和目标规划能力强。
Theory of Agent：构造知行合一的智能体
当前AI（如ChatGPT）存在行为随机性、效率黑洞等问题，论文指出AI缺乏认知地基，需明确认知框架。还提出革命性等式“推理 = 行动”，分析了知识与决策边界，给出最优行为四象限，介绍落地路径和未来发展方向。
Codex正式开放1M上下文！解除GPT-5.6 Sol封印，三行配置搞定
现在3行配置就能让GPT - 5.6 Sol封印解除，在Codex里用上1M上下文。不过有网友警告轻易别用，因超出默认窗口，模型消耗token速度会翻倍，且模型上下文利用能力会下降。此外，Codex确定会上Astra。
11篇顶会论文之外，美图影像研究院做了一件事：让大众爱用AI
过去两年，AI 生成图片、视频变得容易，但让 AI 理解并按创作者意图创作很难。美图影像研究院过去几年围绕高频创作场景痛点展开研究，11 篇论文被国际顶会接收，成果通过产品落地转化为 AI 影像能力。
4天100万下载，这个移动端Agent直接给谷歌偷家了。
蚂蚁的全模态助手灵光爆火，上线4天下载量达100万，三天冲上App Store总榜第六。它提前实现了谷歌AI Studio移动版的核心能力，以简洁报告输出和多智能体协作架构获市场认可，有望让创造力平权。
OpenAI夺金IOI，但输给3位中国高中生
OpenAI官宣其推理模型在今年IOI线上竞赛中成绩刷新纪录，总分533.29，全球330名人类选手中排第六，AI参赛者中居首。不过其没比过三位中国高中生。此前OpenAI称模型获IMO金牌引争议，此次网友更谨慎。