「中间结果」共找到 578 篇相关文章
小红书发布 SWE-Bench Mobile：当 AI Agent 面对亿级用户 App 代码库，最高通过率仅12%？
小红书联合多科研机构发布 SWE-Bench Mobile，它是首个还原‘端到端’开发流程的基准，以小红书 App 实际任务为核心。评测显示，AI Agent 在移动端开发能力上限低，架构设计比模型本身重要，简单提示策略效果更好。
测试时也能RL，英伟达等提出全新范式：TTT-Discover
近日，斯坦福、英伟达、Together AI 等联合开源全新测试时新范式 TTT - Discover，在测试阶段用强化学习微调模型，以刷出 single best 结果，用几百美元就刷新诸多领域 SOTA。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
我写 nano banana pro 提示词时的原则和策略
作者分享写 nano banana pro 提示词的原则与策略，原则是做成模板、结合模型能力；策略是先跑通原型再抽象成模板；不过度精简提示词，还介绍用 GPT-5.1 等工具辅助。
冲上 GitHub 热榜，这个智能问数开源项目火了！
数据使用麻烦，存在“数据鸿沟”。开源项目SQLBot基于LLM和RAG技术，能用大白话查询数据库，将问题转成SQL执行并可视化呈现结果，功能实用，部署简单，降低了数据分析门槛。
OpenAI和Anthropic罕见互评模型：Claude幻觉明显要低
OpenAI和Anthropic罕见合作，互相授予API权限评估模型安全与对齐情况并发布报告。双方派出多模型参与，从指令层次、越狱、幻觉、欺骗策略等方面评测，呈现各模型优缺点。
刚刚！OpenAI训练GPT-4b攻克诺奖级“细胞再生”难题：效率狂飙50倍，连DNA损伤都能修复
OpenAI联手Retro Biosciences研发GPT - 4b micro用于蛋白质工程，让诺奖级细胞再生技术效率提升50倍，设计的新蛋白质还有DNA损伤修复功能，结果在多方面获验证。
刚刚，大模型棋王诞生！40轮血战，OpenAI o3豪夺第一，人类大师地位不保？
国际象棋积分赛成果出炉，OpenAI o3以人类等效Elo 1685分夺冠，Grok 4和Gemini 2.5 Pro紧随其后。Kaggle发布国际象棋文本排行榜，评估模型战略推理等能力，还推出相关数据集，虽有局限但意义重大。
GPT-5数字母依然翻车！马库斯：泛化问题仍未解决，Scaling无法实现AGI
杜克大学教授让GPT - 5数blueberry里的b，结果GPT - 5多次答错。著名学者马库斯整理其各种bug，指出大模型泛化问题严重，认为Scaling无法实现AGI，转向神经符号AI才是途径。
大模型越反思越错，原来是长链推理通过自我说服加重幻觉 | 北邮
北邮研究团队通过思维链审计实验，揭示大模型长链推理‘越想越错’现象背后的元认知偏差。研究基于RFC协议文档构建受控知识域，分析推理过程，发现反思会加重幻觉，且现有检测方法难以应对。