「领域特定任务」共找到 3685 篇相关文章
专业医生远不如AI模型？OpenAI推出医疗开源测试基准HealthBench，o3表现最强
OpenAI推出医疗开源测试基准HealthBench，由262位多国医生合作打造，含5000段真实健康对话。评估显示o3综合表现最佳，顶尖AI处理任务能力超无辅助医生，HealthBench更真实专业有区分度，但也有局限。
清华&通院推出"绝对零"训练法，零外部数据大模型自我博弈解锁推理能力
清华、北通院和宾州州立大学研究人员提出“绝对零”训练法，让大模型通过自我博弈生成并解决任务获推理能力。测试显示，其训练出的模型超专家标注样本训练的模型，且能提升编程与数学推理表现。
一万字Jev 工程实践长文：把 Agent 的“判断题”从大模型里拆出来
本文是一万字Jev工程实践长文，作者结合自研落地Demo，拆解Jev核心设计逻辑，讲解如何将Agent中高频封闭的判断任务从大模型生成链路拆分，解决Agent上下文膨胀痛点，分享工程实现与选型思路。
腾讯混元Hy3发布：Agent能力和产品体验跃升
7月6日腾讯混元Hy3发布，智能水平强于同尺寸模型，比肩大尺寸旗舰模型，定价降低。它已接入多个业务，API上线腾讯云TokenHub。在多领域表现出色，性价比高，采用开源协议，将在多平台上线。
世界模型评测的最大盲区，被这个新基准捅破了
过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。
宋晓冬、李博加入Meta，超级智能迎来最强“守门人”
近期AI安全受关注，Meta引入Virtue AI三位联合创始人及部分核心团队到超级智能实验室。宋晓冬、李博、桑米·科耶乔都是AI安全等领域知名学者，Virtue AI有安全防护与治理产品，Meta借此补强安全能力。
从数学思维到AI睡眠，于大川在千亿赛道的第二次“白魔法”创业｜甲子光年
于大川曾创办豌豆思维，“双减”后他“半退休”。如今他重启创业，创立豌豆智能，想用AI改善人类睡眠。该公司已获君联资本天使轮融资，于大川分享了创业思路、产品模式、团队组建等内容。
不换 Kimi 底座，1/10 成本追平 Opus 4.7？Cursor 用 Composer 2.5 反击 Claude Code
Cursor 发布 Composer 2.5 应对竞争，虽沿用 Kimi K2.5 底座，但通过后训练提升性能。它跑分接近 Opus 4.7，价格更低，在长任务处理上表现更好，还公布多项技术进展，正推进大模型训练。
1/10成本、Opus 4.7级表现，Cursor甩出了性价比之王Composer 2.5
Cursor推出新模型Composer 2.5，成本仅为Claude Opus 4.7的1/10，性能几乎追平。它更智能，擅长处理长时任务，遵循复杂指令更可靠。未来一周使用额度翻倍，还宣布与SpaceXAI合作训练新模型。
Harness Engineering实践，做了一个平台让AI一晚上自动评测和优化你的系统
作者分享搭建小平台实现全自动化评测与系统优化的实践，包括创建评测任务、集、报告等，通过钉钉文档、绘报等案例展示操作，还能自动优化系统，不过需系统UI规范、AI Coding含量高。