「智能体基准」共找到 4125 篇相关文章
视频模型也能推理，Sora2推理能力超过GPT-5
DeepWisdom团队研究发现视频生成模型能推理，在空间类任务上比图文模型更擅长。团队推出VR - Bench基准测试，构建客观评分体系。实验显示视频模型在空间推理有优势，相关代码和数据集已开源。
奥特曼和量子计算奠基人讨论GPT-8
奥特曼在节目中与量子计算奠基人戴维・多伊奇就AI能否发展成有意识的超级智能产生分歧。奥特曼搬出GPT - 8举例试图说服对方，引发网友对AGI定义标准的讨论。
内幕曝光：OpenAI模型坦承不会第六题，3人俩月拿下IMO金牌！
OpenAI三人团队俩月让AI达IMO金牌水平。他们用多智能体系统技术，使模型能短时间解复杂问题。新模型有自省能力，减少“幻觉”问题。此次突破是通用推理技术进步，未来将整合进更多模型。
一个模型场景通吃！它石智航AWE3.7的泛化能力有点狠
长期以来，机器人系统多依赖专有模型，场景变化时需重新训练。如今具身智能步入下半场，它石智航通用具身大模型AWE3.7用同一颗“具身大脑”贯通多场景，回应了通用泛化命题。
RoboChallenge发布年度报告：评测标尺够权威吗？
当下具身智能行业存在缺乏真实场景验证、评测标准模糊等问题。2025年原力灵机与Hugging Face推出RoboChallenge评测平台，2026年1月更新榜单。AI科技评论从技术和核心设计角度对其进行深度拆解。
刚刚，Cursor又分享了数百Agent并发协作的最佳实践
Cursor分享数百Agent并发协作最佳实践，讲述单个Agent局限，介绍从多方面探索协同方法，如规划者与执行者分工，还展示多个实验成果，总结模型选择等经验，指出多智能体协同仍待优化。
AI下半场的「Game Changer」，直让老外惊呼「Amazing」
海外社交媒体热议中国电信的智传网（AI Flow）技术，它是人工智能与通信网络交叉领域关键技术，可实现智能传递和涌现。该技术由李学龙教授团队打造，其报告受关注，能破AI普及困局。
CVPR2025视频生成统一评估架构，上交x斯坦福联合提出让MLLM像人类一样打分
Video-Bench视频评估框架由上海交通大学、斯坦福大学等团队提出，能让MLLM像人一样评估视频。它构建双维度评估框架，引入链式查询和少样本评分技术，突破现有评估方法限制，更全面智能地评分。
DeepSeek R1 迎来小更新大升级，性能直逼 OpenAI o3！
昨日，DeepSeek 发布 R1 大模型最新版本 DeepSeek - R1 - 0528 并开启公测。虽官方未附详细技术说明，但用户反馈推理和输出有改进，也有性能方面的不同看法，其在基准测试表现佳。
DeepSeek-R1今天一次「小更新」，颠覆了大模型格局，网友：尽快放R2
昨晚，DeepSeek官方宣布其R1推理模型升级到最新版本（0528），并公开模型及权重。该版本参数量高达6850亿，采用MIT许可证，性能提升明显，在多个基准测试中成绩优异，网友实测代码能力也大幅提升，但仍存在过度思考问题。