「结果计价」共找到 527 篇相关文章
GPT-5编程成绩有猫腻！自删23道测试题，关键基准还是自己提的
有人发现OpenAI测试GPT-5编程能力时，用的SWE-bench Verified子集仅477题，自行省略23题。若这些题默认零分，其得分比Claude Opus 4.1低。且该基准还是OpenAI自己提出的。
刚刚，马斯克Grok4干翻谷歌Gemini！o3杀入首届大模型对抗赛决战
首届大模型国际象棋对抗赛第二轮结果出炉，o3以4比0击败o4 - mini，Grok 4在加赛中战胜Gemini 2.5 Pro，二者挺进决赛。8月7日将迎来终局之战，国际象棋冠军将解说。
研究者尝试揭示扩散模型创造力的起源
斯坦福大学研究人员 Mason Kamb 与 Surya Ganguli 在论文中提出解释扩散模型创造力的机制，指出其创造力是去噪生成图像时的确定性结果，还识别出关键偏置，搭建 ELS 机模型并验证其准确性。
Grok 4作战图刷爆全网，80%华人横扫硅谷！清华上交校友领衔，95后站C位
Grok 4一夜爆火硅谷，一张内部作战图显示其幕后团队华人学者占比达80%，包括Jimmy Ba、吴怀宇等。独立评测中Grok 4成绩优异，但也有人质疑其代码基准结果有过拟合嫌疑。
AI还不会独自问诊，o3准确率仅为51.12%，上交大×SII开源高难度复杂疾病诊断测评集
上海交大与SII团队开源高难度复杂疾病诊断测评集DiagnosisArena。测试显示，现有大模型在复杂临床诊断任务中表现不佳，o3准确率仅51.12%，且选择题设置无法反映其真实能力。
红杉AI峰会闭门6小时，150位创始人共识浮现：AI不再卖工具，而是卖收益
第三届红杉资本AI峰会落幕，150位全球顶尖AI创始人齐聚。会议指出AI正从卖工具转向卖收益，还探讨了操作系统之战、智能体经济等话题，给出面向未来三年的定位图等，提醒从业者转变观念。
从1000通到1.5万通，百融智能的「硅基客服」真正开始「上岗」
今年7月，一家头部物流企业和大型综合类头部券商上线百融智能的AI客服，业务量和部署规模增长显著。百融智能正战略升级，以新一代AICC智能联络技术向多行业拓展，其创始人张韶峰分享了相关思考与技术优势。
腾讯Hy3正式版亮相，幻觉率更低，Agent能力更强
7月6日腾讯Hy3正式版上线并开源，总参数量295B。它幻觉率从12.5%降至5.4%，Agent能力大幅提升，在生产力场景表现出色，基准测试结果良好，价格有优势，腾讯内部9条线已接入。
微软炸场了！一张图片仅需3即可生成带完整PBR材质的超高质量3D资产！
微软推出3D资产生成大模型TRELLIS，能接收文本或图像提示，输出高质量3D资产。其结果质量强，支持灵活切换输出格式和局部3D编辑，还给出安装和使用方法及项目地址。
国产模型编程能力卷到这个程度了？MiniMax-M2.5 深度实测
文章深度实测MiniMax-M2.5编程能力，用其开发多款游戏和点名工具，结果出色。还分析其底层技术，如原生Agent RL框架、过程奖励机制等，指出它性价比高，虽有不足但值得关注。