「科学验证」共找到 1149 篇相关文章
AI"学霸"也解不出高中题？耶鲁、复旦发布MMSciBench，揭示AI理科推理能力短板
耶鲁、复旦等推出MMSciBench评测基准，揭示主流模型复杂科学推理短板。它有高质量数据、多模态多题型测试和精细知识分类体系。测试发现模型图文融合及推理能力弱，英文推理或效果更好。
OpenAI连破10道数学难题，Fable 24小时「复现」5道
这个周末，OpenAI与Anthropic两大AI巨头在数学前沿短兵相接。先是OpenAI用未发布模型Astra证明10项数学成果，不到24小时，Anthropic的Fable复现了其中5项。AI解难题成本降低，成果验证成新考验。
当「变大」不再是唯一的路，又一国产模型开源了
2026年6月智谱开源GLM - 5.2，心洲科技前沿实验室Mind Lab开源Macaron - V1，基座升级至GLM - 5.2。它押注持续学习与群体智能，成绩优于基座，相关理念和工程路径获验证。
LiveWorld：视频世界模型新范式，让镜头之外的世界继续演化
现有视频世界模型存在“静态世界假设”，物体离开视野后状态不再更新。阿德莱德大学等研究者提出 LiveWorld，将世界演化与观察渲染解耦，使事件在视野外持续推进，并通过实验验证其有效性。
不止修bug：Agentic Coding评测走向复杂feature交付新阶段
中国科学院自动化研究所联合华为提出 FeatureBench，构建端到端基础设施并开源。它从单元测试出发构造评测任务，引入多种机制保障任务可执行、可验证，能有效区分模型能力，还提供易用的评测流程。
AAAI 2026 Oral | 手机传感器正在泄露隐私？PATN实时守护隐私安全
移动应用获取手机传感器数据支撑重要功能，但带来隐私隐患。西安交通大学与东京科学大学在AAAI 2026提出PATN框架，基于对抗攻击思想，设计两大核心技术，能在多种场景下守护隐私安全。
Agent 狂欢热潮下的冷思考：为什么规模化落地总是陷入僵局？
Agent热潮下企业规模化落地遇阻，因其与传统AI应用不同，面临弹性、运维和治理挑战。腾讯云Agent Runtime围绕Agent生命周期构建基础设施，覆盖两大核心场景，已获批量验证。
让 Claude 自己循环干到完成——Ralph Loop 原理与实战指南
文章介绍了Ralph Loop技术，它由程序员Geoffrey Huntley发明，核心是让AI持续工作直到外部验证通过。对比了与主流Agent框架的差异，还列举其真实战绩、使用方法及适用场景。
让两个大模型「在线吵架」，他们跑通了全网95%科研代码｜深势发布Deploy-Master
科学计算领域开源软件多，但多数无法直接运行，制约可用性。Deploy - Master 针对此开发，通过搜索筛选工具、双模型博弈构建，将部署成功率提至 95%以上，为 Agentic Science 提供行动基座。
Google推出 AI 科学家：自动编写专家级代码，40个新方法碾压人类 SOTA
Google新发布的AI系统能编写科学软件、发明新方法，结合大语言模型与树搜索技术。在生物信息学、流行病学等多领域超人类最优水平，引发网友对科研影响的讨论。