「基准数据集」共找到 3293 篇相关文章
AI 怎么自我改进？Lilian Weng 的答案是：先写好Harness
提出 Agent 基本公式的 Lilian Weng 探讨 AI 递归自我改进，强调‘harness’重要性，介绍其设计模式、优化方法，还提及未来挑战与有用基准。如 harness 工程额外包含工作流设计等，优化方式多样但也面临评估器弱等问题。
机器人看视频学操作！伯克利首次打通互联网视频到灵巧手真机部署链路
UC Berkeley团队提出端到端流程，跑通从网络视频生成真实灵巧手实机执行轨迹链路。解决了单目RGB视频手-物交互重建、带噪声参考轨迹动作重定向及遥操作规模化难题。还给出数据筛选要点。
Qwen-AgentWorld：一个语言世界模型，模拟七大Agentic领域
今天正式发布 Qwen-AgentWorld，它是首个原生语言世界模型，能在七大领域模拟智能体交互环境。同步发布 AgentWorldBench 评测基准。Qwen-AgentWorld 经三阶段训练，在评测中表现出色，还探索两种范式增强通用智能体能力。
Gemini 3.5深夜登场，谷歌CEO劈柴亲自算账：速度快4倍、一年还省超10亿美元，曝内部已被颠覆
北京时间5月20日凌晨，谷歌I/O开发者大会开幕。谷歌CEO展示惊人数据，发布Gemini 3.5、Gemini Omni等新品。Gemini 3.5速度快、成本低，改变谷歌内部工作方式；Omni可生成视频；还为Gemini应用和搜索框带来升级。
DeepSeek还有多少个“郭达雅”？扒完27篇论文，我们发现了一群“多边形战士”｜甲子光年
本文梳理DeepSeek近两年27篇核心论文，发现其研发团队无部门墙，“兵团+小组”配合高效，顶级高校背景研究者多，研发不设限。虽核心作者被挖，但人才密度厚，技术路线已内化，还开放数据侦探工具包。
ICSE 2026杰出论文 | 突破代码模型真实工程落地瓶颈，北大团队提出SEAlign对齐框架：显著提升软件工程智能体决策质量
现有代码模型在经典基准表现好，但在真实软件工程环境表现差。北大金芝、李戈团队提出 SEAlign 框架，通过识别与对齐智能体轨迹关键决策点，提升模型在真实工程任务表现，成果获 ICSE 2026 杰出论文奖。
苹果新论文发出惊人一问：What do your logits know?
苹果AI研究团队提交论文《你的logits知道些什么？（答案可能会让你惊讶！）》，触及大模型底层逻辑及苹果看重的用户隐私与数据安全。研究通过实验揭示模型信息留存状态，指出存在隐私泄露隐患。
AI 驱动的数据库心脏：如何让云原生「自我进化」
本文深度解析腾讯云自研云原生数据库 TDSQL - C，它融合 Serverless、AI 技术，解决传统数据库痛点。具备存算分离、智能伸缩、AI 预测等特性，能降本增效，还可全球部署，为企业数字化出海提供数据基座。
疯了……Claude 最强风控：验你实名身份证！
Anthropic更新支持文档，宣布在Claude平台引入身份验证机制，目的是防滥用、执行政策和履行义务。验证需有效证件、带摄像头设备，由Persona Identities处理数据。此前OpenAI也有类似机制，这或加剧AI使用人群分化。
Google悄悄下了一盘大棋：一天三个端侧AI项目同时爆发
Google 一天内三个端侧 AI 项目爆发，包括离线听写 App Eloquent、端侧 AI 示例集 AI Edge Gallery 和端侧大模型推理运行时 LiteRT-LM。云端大模型竞争趋同，端侧 AI 是差异化战场，Google 全栈布局有优势。