「物理工程评测」共找到 1843 篇相关文章
大模型最后一层竟是推理累赘？绕开对齐税，奥数准确率暴涨 22.4%！
Qwen团队等最新研究打破传统认知，揭示‘对齐税’现象。提出置信解码策略，在多架构、评测集上表现出色，能绕过‘对齐税’，提升推理准确率，且工程开销低，为大模型发展提供新思路。
Claude Opus 5发布，砍掉了Claude Code 80%的系统提示词
Anthropic发布Claude Opus 5，接近Claude Fable 5智能且价格减半，测评成绩出色，科研和视觉输出能力也有进步。同时发现砍掉Claude Code 80%系统提示词，编码评测分数不变，还总结出上下文工程新方法论。
斯坦福吴佳俊「计算机与思想奖」获奖演讲全文：从一张照片，逆推一个世界｜IJCAI 2026
8月20日，斯坦福大学吴佳俊在IJCAI 2026发表“计算机与思想奖”获奖演讲。他指出像素是表象，物理结构才是因果，提出以物理代码为桥，融合基础模型泛化力与物理模拟因果性，构建视觉与物理智能。
干货｜4000 字深度拆解：Agent Native 时代的本体论实践
火山引擎数智平台推出知识引擎 VeKnow，通过 Agent Harness 架构实现自动化本体构建与持续评测，在制造售后场景中将交付周期由四周压缩至最快一周。
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
认知重建：Speckit 用了三个月，我放弃了——走出工具很强但用不好的困境
本文作者分享使用 Speckit 三个月的踩坑经历，探讨 AI 编程工具落地难题。介绍复合工程与上下文工程理念，提出 AI 工程化方案，对比传统工具，阐述其设计、落地策略及未来趋势，助力解决企业开发痛点。
说一个反常识的真相，Agent如今在真实工作场景的成功率依然很低。
作者有感于AI在真实工作场景评测的稀缺性，以阿里国际站RealReplicaBench评测集为例，介绍电商场景任务，发现多数模型成功率低，其他领域类似，呼吁厂商努力，作者也计划自跑评测更新排名。
OpenAI谈：大模型为什么会有幻觉？如何避免？
OpenAI论文探讨大模型幻觉问题，指出评测缺陷，像多数AI模型评测非对即错，模型为得分会瞎猜。还从预训练和后训练阶段剖析根源，提议改造评测，引入置信度阈值和错误惩罚机制。
谷歌开源基于物理模拟的气象模型，能预测暴雨、台风、大干旱
传统通用循环模型处理小尺度有局限，谷歌开源基于物理模拟的神经通用环流气象模型NeuralGCM，在预测突发恶劣天气出色，还介绍其动态核心、物理模拟模块等，经测试有一定优势。
机器人也有“Aha Moment”！Zetta ζ 闭环物理智能体在线学习
端到端策略模型在物理世界失灵，现有在线学习路径未走通。清华 AIR 与域变换联合推出 Zetta ζ，通过三个闭环实现闭环物理智能体在线学习，实验显示其任务成功率高，还让机器人出现‘Aha Moment’。