「数学推理测试」共找到 3563 篇相关文章
陶哲轩长文剖析现代社会：大型组织挤压小型社群，个体陷入疏离困境，AI正在加速这一进程
陶哲轩长文以协作式数学项目社群现象为切入点，提出观察现代社会的框架。指出现代技术和激励体系在赋能个体与大型组织时，严重削弱小型组织，导致个体精神上出现脱节感，AI还在加剧这一问题，并给出新兴草根组织视角。
Qwen3小升级即SOTA，开源大模型王座快变中国内部赛了
开源大模型进入中国时间，Kimi K2风头正盛时，Qwen3迎来升级，235B总参数量仅为Kimi K2四分之一，基准测试性能却超它。Qwen官方不再用混合思维模式，新模型仅支持非思考模式，此次是小更新，大招在后头。
谷歌Nano Banana Pro炸了！硅谷AI半壁江山同框，网友：PS已死
谷歌推出基于Gemini 3 Pro的图像生成模型Nano Banana Pro，在图像编辑和生成上实现史诗级进化，有更广知识储备、超强文字渲染和精准细节把控。它支持4K原生，知识推理强还能直连搜索，玩法多样但也有改进空间。
AI圈“集体开大”！DeepSeek、Claude带头，智谱、阿里、蚂蚁、智源都“卷”起来了
双节前最后一天，AI圈“卷”疯了！智谱发布并开源GLM - 4.6，是国内最强Coding模型；阿里介绍视、听、说全模态同传大模型Qwen3 - LiveTranslate - Flash；蚂蚁开源万亿参数推理大模型Ring - 1T - preview；智源开源跨本体基座大模型RoboBrain - X0。
出了两道真题考 GLM-5.2，Opus 4.8 和GPT 5.5 陪跑
作者对GLM - 5.2、Opus 4.8和GPT 5.5进行两项测试。一是审计Skill体系，GLM - 5.2覆盖skill数多、找出冲突多，还挖出bug；二是做世界杯夺冠推演器网站，Opus表现出色，GLM - 5.2省token，Codex有巧思但结构有缺陷。
蚂蚁·安诊儿医疗大模型：正式开源并登顶权威医疗榜单
近日，蚂蚁集团联合浙江省卫生健康委开源自研的蚂蚁·安诊儿医疗大模型。它基于蚂蚁百灵大模型架构，经深度训练，是参数规模最大的开源医疗模型。该模型在多评测中表现出色，有三阶段训练流程，架构高效、推理快，已开源助力行业发展。
GPT-5.2被曝作弊！偷袭谷歌竟靠拉爆token刷高分，不如Gemini 3
新智元报道，OpenAI刚发布GPT - 5.2就被指「作弊」，其在基准测试中或调参数使模型用更多算力资源。有用户发现它消耗远超对手的token才获成绩，真实能力或与Gemini 3相当。此外，还揭示了OpenAI为商业利益牺牲学术独立的问题。
谷歌IMO金牌级Gemini 3深夜上线！华人大神挂帅，OpenAI无力反击
谷歌DeepMind推出IMO最强金牌模型Gemini 3 Deep Think，以2.5倍暴力性能碾压GPT - 5.1。它在多项基准测试表现出色，已在Gemini App上线。谷歌还将在新加坡组精英团队，由华人科学家Yi Tay率队。此外，Gemini 3 Pro使网页端市占率创新高。
老黄杀入OpenClaw战场！最强开源「龙虾」模型直逼Opus 4.6
英伟达推出新一代开源模型Nemotron 3 Super，专为大规模AI智能体打造，有1200亿参数，推理快、吞吐量高，性能直逼Claude Opus 4.6等。它解决了Agent应用的难题，还开源了相关数据和训练方法。此外，英伟达还在打造NemoClaw开源AI智能体平台。
大模型手语翻译新进展：CAPO-SLT拿下中文三项最高分 | EMNLP'26
vivo AI Lab团队针对自动手语翻译生成中，无视觉证据支撑的错误累积导致语义偏移的痛点，提出置信度感知策略优化方法CAPO-SLT，仅调整强化学习更新规则，不修改主干网络，在中文手语翻译测试中拿下三项指标最高分，成果将发表于EMNLP'26。