「科学评测」共找到 935 篇相关文章
让两个大模型「在线吵架」，他们跑通了全网95%科研代码｜深势发布Deploy-Master
科学计算领域开源软件多，但多数无法直接运行，制约可用性。Deploy - Master 针对此开发，通过搜索筛选工具、双模型博弈构建，将部署成功率提至 95%以上，为 Agentic Science 提供行动基座。
Meta通过简单算术解锁LLM SoTA性能
大型语言模型训练耗算力与时间，传统模型融合方法有局限。本文提出SoCE新方法，通过筛选专家模型、非均匀加权平均融合，在多评测中实现先进性能，为LLM优化提供新思路。
Google推出 AI 科学家：自动编写专家级代码，40个新方法碾压人类 SOTA
Google新发布的AI系统能编写科学软件、发明新方法，结合大语言模型与树搜索技术。在生物信息学、流行病学等多领域超人类最优水平，引发网友对科研影响的讨论。
Qwen Intelligence，让个人智能触手可及
阿里千问发布面向手机厂商的AI手机全栈解决方案Qwen Intelligence，推出三大适配手机场景的Agent，开放四套手机AI专属评测集，已与荣耀合作落地，推动AI手机从被动响应转向主动服务。
人形机器人不再「走走停停」：Current Robotics发布全身灵巧操作模型Curr-0
具身智能领域中，让机器人移动中精细操作一直未被很好解决。Current Robotics发布全身灵巧操作模型Curr - 0，用Single Policy统一策略，数据源于自研外骨骼系统，还构建世界模型解决评测部署难题。
刚刚Gemini上新模型，全球只有7人比它会编程，谷歌姚顺宇参与
北京时间周五凌晨，谷歌发布Gemini 3 Deep Think重大升级，在多学术基准测试中取得佳绩，成本大幅降低，编程能力超多数人。在多科学领域表现出色，还推动了实际应用，已上线供部分用户使用。
姚顺雨腾讯首篇论文：给AI下半场指路“上下文学习”
姚顺雨入职腾讯后首个成果CL - bench，用来测试大模型“从上下文中学习”能力。研究指出当下模型多依赖“过去”知识，无法适应“当下”学习。评测中，十个前沿模型表现不佳，揭示其真实场景应用缺陷。
The Batch: 896 | 教会模型说出真相
大型语言模型有时会隐瞒未遵守约束条件的事实。研究人员微调 GPT - 5 Thinking，使其违规时能‘自白’。通过强化学习训练，测试显示微调模型在多项评测中多能承认问题，自白机制可监控模型行为。
被高薪吸引却遭愚弄！科学家怒曝AI科研黑幕：多为个人“捞金”，DeepMind百万成果是“垃圾”
物理学家 Nick McGreivy 分享应用 AI 做研究的经历，指出 AI 方法在解决偏微分方程上远不如宣传，如 PINN 效果差。还提到 DeepMind 成果遭质疑，研究存在数据泄露、报告偏差等问题，AI 加速科学或被夸大。
18个月，中国Token消化狂飙300倍！别乱烧钱了，清华系AI Infra帮你腰斩API成本
中国大模型API服务碎片化、“黑盒”问题严重，成本高。清程极智1月29日发布AI Ping，类似“中国版OpenRouter + Artificial Analysis”，可评测、路由大模型，帮开发者降低成本、提升效率，还能重塑服务市场秩序。