「数学推理测试」共找到 3543 篇相关文章
AI医生终于有了硬标尺！全球首个专病循证评测框架GAPS发布，蚂蚁联合北大王俊院士团队出品
蚂蚁健康与北大王俊院士团队发布全球首个大模型专病循证能力评测框架GAPS及评测集GAPS - NSCLC - preview，解决现有医疗AI评测局限，成果已应用于“蚂蚁阿福”，并客观评价了大模型临床能力。
AI4S回归白盒符号主义，清华等联合发布SR-LLM：自主发现科学知识
清华大学等多所高校联合发布SR - LLM，这是融合大语言模型与深度强化学习的符号回归框架。它从数据生成可解释数学模型，在跟车行为建模等任务表现优，为机器自主科学发现开辟新路径。
仅4人28天！OpenAI首曝Sora内幕：85%代码竟由AI完成
OpenAI团队揭秘安卓版Sora APP构建内幕，4人团队28天完成从0搭建，约85%代码由AI智能体Codex完成。Codex可自我迭代，在多方面表现出色，但也需人类指导。团队分享了与Codex协作的经验和技巧。
谷歌最新版「深度研究」反击GPT-5.2
GPT - 5.2发布前，谷歌推出新版Gemini Deep Research Agent，基于Gemini 3 Pro构建，功能强大。还开源DeepSearchQA，推出交互API。此外，DeepMind与英国政府合作，在城市规划、科学研究、网络安全等多领域应用AI技术。
DeepSeek V3到V3.2的进化之路，一文看全
知名AI研究者Sebastian Raschka发布深度博客，详细梳理DeepSeek V3到V3.2进化历程。DeepSeek V3.2性能对标GPT - 5和Gemini 3.0 Pro，且为开放权重模型，报告涵盖众多有趣领域和知识。
刚刚，OpenAI发长文：找到缓解LLM撒谎的方法！
Google发布Gemini 3 Deep Think，ARC - AGI - 2准确率高且采用并行推理技术。OpenAI发长文《通过忏悔训练大型语言模型诚实性》，介绍缓解LLM撒谎的忏悔训练法、实验结果等，也指出其局限。
DeepSeek在Agent上做了件大事！
昨天DeepSeek发布V3.2正式版，强化Agent能力并融入思考推理，其在Agent评测达开源模型最高水平。文中分析Agent成开源‘心病’的痛点，介绍DeepSeek相关解决策略及成果，还给出使用示例。
刚刚，霸榜神秘视频模型身份揭晓，原来它就是「David」
几天前登上Artificial Analysis榜首的神秘视频模型揭晓，是Runway最新发布的Gen - 4.5。它树立行业新标杆，在多方面表现出色，但也存在一些视频模型常见的局限性，Runway正探索解决办法。
小米开源首个跨域具身基座模型MiMo-Embodied，29个榜单SOTA
小米具身智能团队开源跨域基座模型MiMo - Embodied，它融合自动驾驶与具身智能，在29个榜单创SOTA。该模型基于MiMo - VL架构，采用四阶段训练策略，有效解决领域割裂问题，为通用VLA模型奠定基础。
告别「一条路走到黑」：通过自我纠错，打造更聪明的Search Agent
为解决知识实时性和推理复杂性挑战，搜索智能体（Search Agent）应运而生，但缺乏自我纠错能力。腾讯联合清华提出 ReSeek 框架，引入动态自我修正机制，还构建 FictionalHot 数据集评估，实验效果良好。