搜索：学术基准测试

「学术基准测试」共找到 2189 篇相关文章

Agent失忆怎么办，Anthropic教你做好工作交接

文章指出AI Agent跨上下文窗口执行长任务时易失败，Anthropic用Opus 4.5实验发现，问题根源是交接差。解决办法是让Agent像人类工程师一样留文档、进度和测试，拆分流程，严格规范，提升测试覆盖率。

OpenAI推出的Sora 2刷屏海外，能完成以往视频生成模型极难实现的任务，在物理准确性、逼真度和可控性上有重大提升。它还能进行二创、模拟电脑操作等。OpenAI发布由Sora 2驱动的社交APP，强调促进创作，保障安全。

来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。

网友用光学错觉图捉弄大模型，人眼秒懂的图案让ChatGPT、Claude、Gemini等翻车。有人认为可作AI检测器，也有人质疑其测试有效性，此外还有其他好玩的小测试。

现有多模态大模型难以理解音乐时间线。复旦大学与字节跳动团队提出 GaMMA，采用双编码器融合网络，经三阶段训练，还推出 MusicBench 评测基准。实验显示，GaMMA 在多基准上表现优异，刷新 SOTA。

本文介绍开源框架PosterAgent，它能一键将论文转为可编辑的学术海报。相比GPT - 4o，其生成指标优、token使用量少、成本低。研究团队构建评估标准Paper2Poster，实验显示PosterAgent在多方面表现出色。

长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。

LLM智能体进化为“行动派”，但自主权带来安全问题。现有评估基准缺乏有效精准评估器，研究者推出AgentAuditor框架及ASSEBench基准，让LLM评估器精确度达人类水平，为构建可靠智能体提供工具。

多智能体系统中，常有agent出错带偏整体。哈工大联合阿里提出AgentDropoutV2，测试时介入，设‘质检员’审核输出，结合失败案例构建‘避坑指南’，在多测试中显著提效，泛化性强。

AI 科技评论独家消息，盛大网络挖角清华副教授代季峰筹备新 AGI 公司，对标 DeepSeek，正招募核心团队。代季峰学术成果颇丰，项目或融合脑科学与 AI 架构，“旧互联网 + 学术”组合有挑战也值得期待。