「可验证推理」共找到 6154 篇相关文章
大模型评估排障指南 | 关于 LaTeX 公式解析
这是大模型评估排障指南系列第二篇，聚焦 LaTeX 公式解析。评估难点是解析和比较模型输出与标准答案，无标准方法。lm - evaluation 框架用 sympy 解析准确率约 0.94，还给出缓解问题办法。
WorkSwarm：引领办公智能体新范式，让AI从一个助手，进化为一支与你并肩作战的团队
办公智能体成热门赛道，openJiuwen推出WorkSwarm蜂群办公智能体，将多智能体协作引入个人办公场景。它有单Agent和集群两种模式，能自主组队、共享成果等，还支持多平台，openJiuwen社区也在招募开发者。
Show me《指环王》！卡帕西强推大模型评测新基准
大神卡帕西宣称Anthropic用《指环王》给大模型评测上强度，这一‘指环王基准’正接替‘鹈鹕骑自行车’SVG测试。虽Opus 5生成的画面粗糙，但网友测试展现出丰富创意，不过新测试也引发争议。
80%代码由Claude合并，Anthropic内部人员点破Agent真相：「Close the Loop」
Anthropic团队研究产品经理Theo演讲指出，Claude已深入其工程流程，超80%代码由它合并。模型角色转变，能力提升，失败率下降。开发者应升级研发战术，如刷新评估基准、精简“脚手架”、闭环设计。
Claude惊人真相被教授曝光：思考过程加密，给钱也看不到！
Anthropic推出extended thinking，包装成让用户看到思考过程的透明标杆，但实际仅展示部分内容，核心思考被加密。开发者发现异常，密码学教授逆向有发现，这暴露了其透明度悖论和信任问题。
Token烧不起了？比肩Claude Opus 4.6免费模型来了，还将开源
昆仑万维旗下天工AI发布SkyClaw - v1.0，为Agent场景深度优化，免费试用后将开源，价格低。性能超同级别开源对手，逼近闭源巨头。训练围绕环境构建、数据合成、强化学习展开，适合长链路Agent工作流。
MIT团队完成AI控制人类行为实验项目
MIT团队的Human Operator项目是实时人体增强工具，也是MIT Hard Mode 2026获奖项目。它通过视觉 - 语言模型结合电刺激肌肉实现人体运动控制，介绍了技术栈、环境要求、软硬件准备、安装步骤等。
一句话造世界！开发者用10天婚假爆肝，让AI小镇真正「活」了过来
2023年斯坦福「AI小镇」火了，但后续类似项目世界多人工搭建、固定。独立开发者用10天婚假开发WorldX，输入一句话5分钟就能生成完整AI世界，还解决了让AI看懂自己生成图等难题。
昔日GPU霸主，今日CPU屠夫？黄仁勋亮大招
2026年1月26日，英伟达CEO黄仁勋宣布以20亿美元购入CoreWeave的A类普通股。Vera CPU首次作为独立基础设施选项走向市场，挑战英特尔和AMD。其技术规格有巨大飞跃，能减少数据中心能耗与散热。
马斯克“开大”，600亿重金收购Cursor
SpaceX 宣布将以 600 亿美元收购代码生成初创公司 Cursor，或支付 100 亿美元合作。此前 xAI 编程项目落后，3 月挖角 Cursor 核心人员。Cursor 受竞争压力且缺算力，合作有望提升模型智能水平。交易或影响 SpaceX IPO 估值。