「世界模型评测」共找到 8065 篇相关文章
深刻理解Token：大语言模型（LLM）是如何看待这世界？
文章指出在大语言模型（LLM）中，Token是处理文本的基本单位。介绍了Token的概念、分词方法、向量化过程，还阐述了分词对模型性能的影响，如导致模型在数学、多语言处理上表现不佳等。
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
Gaia2 与 ARE：赋能社区的智能体评测
文章介绍 Gaia2 与 ARE，Gaia2 是智能体基准 GAIA 升级版，能分析复杂行为，与 ARE 框架一同发布。ARE 可模拟复杂真实条件，支持定制。文中对比多款模型，指出当前模型挑战，并说明评测步骤和 ARE 使用场景。
刚刚，Thinking Machines出手！首款交互模型来了，翁荔出镜实测
Thinking Machines Lab推出首个大模型TML - Interaction - Small，打破传统人机交互模式，实现全自然交互。它训练范式独特，采用双模型架构等设计，评测表现超GPT - Realtime 2.0等模型，后续还会推出更大尺寸模型。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
MiniMax M2 发布即爆，拿下开源模型第一名
10月27日，MiniMax发布新一代文本大模型M2及由其驱动的MiniMax Agent。M2是专家混合模型，参数达230B但激活仅10B。它在开源模型评测中夺冠，能低成本、高速度支撑工作流，开发者评价高。
小鹏汽车：没有基座模型，何谈物理AI｜甲子光年
3月2日，小鹏汽车宣布第二代VLA正式推送。何小鹏认为，端到端小模型无法让自动驾驶从L2跨越到L4，而第二代VLA开创全新物理模型范式，能直接学习真实物理世界，还在不断迭代提升。
没有全科优秀，具身模型别想进入百万小时
文章介绍权威评测 RoboDojo，给全球机器人模型办‘高考’，多数具身模型离落地远。原力灵机的 DM0.5 模型登顶，它记忆能力强、全科优秀，且全面开源，有望推动具身智能发展。
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
WAIC期间，蚂蚁数科金融推理大模型发布会未开，论文已上线。其新模型Agentar - Fin - R1有8B和32B版，在金融测评集超DeepSeek等，还兼顾专业与通用，蚂蚁数科还提出评测基准Finova。