「真实世界测试」共找到 2937 篇相关文章
普林斯顿团队领衔发布最强开源数学定理证明模型：32B性能大幅超越前代SOTA DeepSeek 671B
近日，普林斯顿大学牵头多机构推出开源数学定理证明模型 Goedel-Prover-V2。其 32B 旗舰模型在多基准测试超 DeepSeek-Prover-V2-671B，8B 小模型特定基准性能与之持平。该模型有三项关键创新，团队已公开模型及数据集。
都在卷「让大模型多循环几遍」，这个7B模型LoopCoder v2说：多循环 1 次就够了
当下推理模型流行在测试时多循环，以打磨答案。但新研究发现，7B模型LoopCoder v2只多循环1次（共2次），就能大幅提升性能，继续增加循环次数，性能反而下降。研究还分析了收益与成本，给出选择循环次数的诊断方法。
20亿美金苏度科技具身首秀即大招！0真机数据，zero-shot，跑出98%首次抓取成功率
苏度科技发布软硬件全栈自研的机器人系统R1，采用世界模型与强化学习一体化设计，在不使用真机数据的前提下，实现关键任务近100%的Zero-shot成功率。苏度团队通过重新定义数据范式，解决了具身智能发展的核心瓶颈。
独家 | CMU博士、UCSD助理教授黄碧薇创立「原识之智」，聚焦因果推理方向
AI科技评论独家获悉，CMU博士、UCSD助理教授黄碧薇创立上海原识之智科技有限公司，切入具身智能基础层相关的因果推理方向。当下大语言模型在符号世界表现出色，而机器人缺乏因果推理能力，原识之智项目已获顺为资本早期投资。
我用“悟空”做了应聘和OPT Skills，预测上班和创业成功率丨龙虾OPT创业笔记
钉钉发布全球首个企业级 Agent 平台“悟空”，它是AI产品进入下一个时代的探索，能接入多平台真实数据，操作公司流程。通过开发者应聘、跨境电商、知识博主等场景案例，展现其能力，还能预测创业成功率，解决企业使用AI的安全痛点。
昨天夸国产大模型争气，今天Vidu Q3就霸榜了
国产视频大模型Vidu Q3在国际权威AI基准测试机构Artificial Analysis的最新榜单里，于Video Arena冲到全球第二、国产第一。它是全球首个支持16秒音视频直出模型，声画同出、高清直出，还有镜头控制、多语言文字渲染等优势。
Qwen3小升级即SOTA，开源大模型王座快变中国内部赛了
开源大模型进入中国时间，Kimi K2风头正盛时，Qwen3迎来升级，235B总参数量仅为Kimi K2四分之一，基准测试性能却超它。Qwen官方不再用混合思维模式，新模型仅支持非思考模式，此次是小更新，大招在后头。
出了两道真题考 GLM-5.2，Opus 4.8 和GPT 5.5 陪跑
作者对GLM - 5.2、Opus 4.8和GPT 5.5进行两项测试。一是审计Skill体系，GLM - 5.2覆盖skill数多、找出冲突多，还挖出bug；二是做世界杯夺冠推演器网站，Opus表现出色，GLM - 5.2省token，Codex有巧思但结构有缺陷。
如果生活是一场“拟像”，爱和痛苦也是假的吗？
豆瓣读书联合南京大学出版社·守望者，邀四位嘉宾围绕《拟像与拟真》，结合文艺案例与生活现实，探讨波德里亚思想在当下的重要性及“拟像世界”。嘉宾们分享接触波德里亚的经历，解析“拟像”概念、其在文艺作品中的呈现及理论困境。
刚刚，阿里发布最强推理模型Qwen3-2507，用疯狂一周暴击美国AI行动计划！
美国发布AI行动计划，欲成“世界AI冠军”，但阿里在7月22 - 25日三连发，推出Qwen3 - 235B非思考版本、Qwen3 - Coder、Qwen3 - 235B - A22B - Thinking - 2507推理模型，冲击美国计划。千问3在多领域表现出色，不过也有使用费用等小问题。