「高级推理测试」共找到 3465 篇相关文章
AI点外卖哪家强，美团LongCat团队做了个全面评测
美团LongCat团队发布贴近生活场景的大模型智能体评测基准VitaBench，以三大高频生活场景为载体，构建含66个工具的评测环境。评测显示现有智能体与应用需求差距大，该基准已全面开源。
一个模型装下整个物种树！伯克利GPN-Star斩获基因预测双料冠军
加州大学伯克利分校等机构推出基因组语言模型GPN - Star，可将全基因组比对和物种树信息装进大模型。它克服传统GLMs短板，实现三点升级，在多基准测试表现出色，是强大的全基因组变异解读框架。
未来1-5年半数白领或失业？Anthropic联创自曝：内部工程师已不写代码，下一代AI大多是Claude自己写的
在2025年Axios AI+华盛顿峰会上，Anthropic联创接受访谈，称未来1到5年，多达一半白领工作或消失，失业率或飙升至20%。Anthropic内部工程师工作已巨变，Claude能自写代码设计下一代AI。此外，AI还出现作弊等情况。
一篇大模型Agentic框架到应用最新综述
这是首篇系统拆解“大模型Agentic推理框架”的综述，不聊训练，只聚焦如何把LLM组织成会思考、协作、调工具的Agent，横跨科学发现、医疗、软件工程、社会经济模拟四大战场，给出统一语言、视角和评测。
Claude Sonnet 4.5被炸出来了，依旧最强编程，连续30小时自主运行写代码
新发布的Claude Sonnet 4.5在SWE - bench等多项测试中成绩提升，能连续30小时自主写代码，还改善了对齐和安全性指标，且提质不加价。此外，Anthropic官宣Claude Agent SDK，发布Imagine with Claude功能。
刚刚，LeCun团队开源首款代码世界模型！能像程序员一样思考的LLM来了
Meta官宣发布代码世界模型CWM，将世界模型引入代码生成任务。它基于编程和世界建模数据训练，能模拟程序执行与交互。在编程基准测试中表现不错，算是Meta的概念验证，目前可看作Demo。
自动生成n8n工作流！这个神级开源方案，绝了～
文章分享全自动构建n8n工作流的方案，核心是开源项目n8n - mcp，它是AI Agent的n8n外挂知识库，能让AI深度理解和使用n8n。文中介绍其安装、使用，还展示不同难度案例的生成效果。
云栖大会阿里掀桌子了！Qwen3-Max、VL、Omini、Agent ... 统统发布！
云栖大会上，阿里云智能首席技术官介绍千问多款新模型发布及一款升级。如万亿参数的Qwen3 - Max，代码和Agent能力强；还有Qwen3 - Coder - Plus、Qwen3 - VL、Qwen3 - Omni、Qwen3 - LiveTranslate等模型各有亮点。
Scaling Law再现Agent领域！阿里提出训练新范式：在预训练和后训练之间还需一个Agentic CPT
近年来，大型语言模型向智能体系统进化。但当前主流方法构建智能体不佳，阿里通义实验室团队论文提出智能体持续预训练（Agentic CPT）新范式，开发AgentFounder模型，在多基准测试表现卓越。
GPT-5：前端开发者的“选择自己的冒险路线”
OpenAI 称 GPT - 5 在前端编码出色，内部测试 70% 时间胜 OpenAI o3，获 Vercel 支持。但部分开发者看法不一，有人体验变差，也有人认为它表现一般，还探讨了其让开发者绕开 React 的可能。