「多任务训练」共找到 6617 篇相关文章
什么都不做就能得分？智能体基准测试出现大问题
随着AI智能体走向实际应用，其基准测试变得至关重要。但现有基准测试问题多，如WebArena判错答案、τ - bench给无操作智能体高正确率。文章提出有效性判据和ABC清单，还揭示主流基准测试诸多问题。
伯克利斯坦福联手造出「科研预言家」：77%准确率押注研究想法前景
伯克利和斯坦福团队让GPT - 4.1变身「科研预言家」，从顶会提取想法对比案例训练，不借助实验验证，靠推理押注。其在公开题库测试、人类专家团战等测试中表现出色，还能预测AI新点子。
SIGGRAPH 2025奖项出炉：上科大、厦大入选最佳论文
本周三，全球图形学顶级会议 SIGGRAPH 公开今年论文奖项。该会议影响力高，涵盖动画、生成式人工智能等多领域。今年有上科大、厦大等校论文入选最佳，还有时间检验奖等，涉及动力学框架等研究。
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
HyperEyes：从「搜得更深」到「搜得更宽」，并行多模态搜索智能体的效率革命
小红书研究团队提出 HyperEyes 模型，打破现有多模态搜索智能体串行处理模式困局。通过全栈设计实现并行多模态搜索范式跃迁，在多基准测试中表现优异，证明准确率与效率可协同进化。
GPT-5系列咋都爱说「哥布林」？原因找到了
OpenAI发布博客解释模型迷上「哥布林」的原因。原来是训练“Nerdy”人格时，奖励信号偏爱怪物词汇，强化学习将风格固化并扩散到普通对话。此前DeepSeek V3.1也出现过「极」字Bug。
The Batch: 943｜液体和气体如何运动
传统数值方法模拟复杂物理系统慢且贵，基于机器学习的模拟通常只适用于特定系统。研究人员构建通用 transformer 模型 Walrus，可模拟流体运动，开源且在多方面表现出色，有望加速多领域模拟工作。
独家｜极佳视界再获新一轮数十亿大额融资，估值超百亿，领跑世界模型赛道
AI科技评论独家获悉，极佳视界近日完成新一轮数十亿大额融资，投资方阵容豪华。其成立于2023年，在世界模型技术与应用上领先，产品在多领域落地，还计划年内开启大规模Scaling进程。
我宣布，这就是现在人声最真实的AI音乐模型。
作者体验Minimax新推出的音乐模型Music 2.5，称其真实感强，中文无敌，咬字清晰，能唱维语等多语言。搭配粉丝开发的小工具，可尝试多种曲风，价格实惠，但功能有待完善。
最新 Anthropic 人类经济指数报告：AI 如何重塑经济？
Anthropic 持续监测 AI 实际使用情况，在第四份报告提出「经济基本要素」概念，分析2025年11月对话样本，探讨AI提效、任务时长、不同国家应用差异等，还评估职业受影响情况及对经济的总体影响。