「代码测试基准」共找到 3602 篇相关文章

新闻资讯8

微软发布GUI Agent新范式!告别传统方式,小参数少数据,7B吊打72B模型

微软发布GUI Agent新范式GUI - Actor,告别传统Agent定位死板、缺乏空间感和兼容性差等问题。它用无坐标交互技术,在测试中表现优异,省数据算力,未来在多领域有应用潜力。

深度学习自然语言处理
开源动态7

AI还不会独自问诊,o3准确率仅为51.12%,上交大×SII开源高难度复杂疾病诊断测评集

上海交大与SII团队开源高难度复杂疾病诊断测评集DiagnosisArena。测试显示,现有大模型在复杂临床诊断任务中表现不佳,o3准确率仅51.12%,且选择题设置无法反映其真实能力。

量子位
算法论文7

LSTM之父22年前构想将成真?一周内AI「自我进化」论文集中发布,新趋势涌现?

本文介绍AI模型自我进化方向的进展,涉及多机构的相关论文。如受“哥德尔机”启发的“达尔文哥德尔机”可自我改进;还有“自我奖励训练”“MM - UPT”“UI - Genie”等方法,展现AI自我进化潜力。

机器之心
算法论文8

纯靠“脑补”图像,大模型推理准确率狂飙80%丨剑桥谷歌新研究

剑桥、伦敦大学学院和谷歌团队推出基于强化学习的视觉规划(VPRL)新范式,纯靠图像推理。新框架利用GRPO后训练,准确率达80%,超文本推理至少40%,代码已开源。

量子位
新闻资讯8

谷歌年度大招:所有AI模型全升级一遍!Gemini2.5大杯中杯霸榜前二,新版视频/图像模型亮相

谷歌在I/O大会放大招,升级所有AI模型,重做原有产品,推出诸多实验性新产品。如Gemini 2.5系列升级,具备新功能;还有异步代码助手Jules、新搜索模式等,多模态模型也全线升级。

量子位
新闻资讯7

新版Claude曝光:“极限推理”成最大亮点

O家刚免费上线GPT - 4.1,A家新版Claude Sonnet和Claude Opus被曝即将发布,亮点是“极限推理”,能在推理和工具使用间建立动态循环,更智能处理问题,预计未来几周发布,虽有网友质疑,但也有实测证据。

量子位
产品应用8

陶哲轩DeepMind梦幻联动,最强通用科学Agent来了!一口气解决芯片设计、矩阵乘法和300年几何难题

谷歌DeepMind与陶哲轩等打造的AlphaEvolve是LLM驱动的进化编码Agent。它能优化计算生态、调度数据中心等,还解决了数学难题,已在谷歌内部使用,现开启早期邀测试用。

量子位
新闻资讯7

AI可观测行平台Lightrun,获7000万美元

AI可观测性平台Lightrun获7000万美元B轮融资,由Accel和Insight Partners领投。它改变传统监测工具局限,实现实时调试修复。连续三季成G2领域领导者,获众多企业信赖,发展迅猛。

AIGC开放社区
算法论文9

NeurIPS 2026|克隆得像,就够了吗?RVCBench系统评测18个语音克隆模型的真实世界鲁棒性

本文介绍被NeurIPS 2026接收的研究工作,英属哥伦比亚大学与Vector Institute团队提出RVCBench,沿语音克隆全流程拆分四个维度鲁棒性,系统评测18个代表性开源模型,且开源了可pip安装的通用评测工具包,助力语音克隆鲁棒性与安全研究。

机器之心
产品应用8

拆解 WorkBuddy、千问办公和豆包工作,它们其实不是同一种产品

本文作者用真实职场脏活测试腾讯WorkBuddy、阿里千问办公、字节豆包工作三款办公Agent,对比三者产品路线、执行结果和执行环境差异,揭示当前办公Agent的发展现状与局限。

AI科技评论