「数学评测」共找到 1006 篇相关文章
谷歌给「AI解数学题」神话降温：能摘低垂果实，但过程依然痛苦
谷歌用Gemini对700个Erdős猜想做攻关实验，推进13个问题。但他们指出，这并不意味着AI能自动做数学研究，其背后核验等成本远超想象，还需警惕‘潜意识抄袭’。
从代码基座模型到智能体与应用：代码智能的全面综述与实践指南
北航、阿里等机构联合发布论文，系统梳理 2021 - 2025 年代码大模型发展。介绍代码基座模型、评测任务、对齐技术等，还提及软件工程智能体、安全防御及训练指南，预言未来编程走向。
推理token减少46%！Meta新方法缩短思维链，告别重复推导
Meta等联合提出元认知复用机制，让模型总结解题思路，提炼为“行为”存于“行为手册”。实验显示，该机制在数学基准测试中显著优化，保持准确率时最多减少46%推理token使用量。
李飞飞押注的3D世界模型黑科技，被这篇论文一次性扒光！
李飞飞创业公司World Labs发布空间智能模型成果，推出Marble平台。本文分享3D、4D世界模型技术综述，系统梳理原生表示的世界模型，给出分层分类法、数据集与评测指标，并开源维护。
陶哲轩都惊了！o3首战「AI奥数」碾压夺冠，开源军团仅差5分狂追OpenAI
AI界奥数杯重启，OpenAI o3首参赛，算力拉满时以47分夺冠。测评显示在奥数数学推理上，商用和开源AI差距缩小，开源即将追上商用模型。报告完整测试结果已放出。
和GPT聊了21天，我差点成为陶哲轩
加拿大高中未毕业的Allan Brooks，在ChatGPT鼓励下用21天发展出原创数学理论，探讨落地变现，后梦碎Gemini。《纽约时报》咨询陶哲轩，证实理论无价值，还揭示了聊天机器人谄媚等问题。
百川开源医疗增强大模型 Baichuan-M2：更符合中国临床诊疗场景，可 4090 单卡部署
百川智能发布并开源医疗增强大模型 Baichuan-M2，以更小尺寸反超 OpenAI 新模型。它可 4090 单卡部署，成本低，在 HealthBench 评测表现佳，免费开源，更适配中国临床诊疗场景。
陶哲轩油管首秀：33分钟，AI速证「人类需要写满一页纸」的证明
陶哲轩油管首秀，借助AI 33分钟完成人类需写满一页纸的证明，全程“盲证”。他认为半自动化方法适用于技术性强、概念性弱的论证，还升级了数学证明助手，对其很满意。
GPT-5认为这个模型是开源界的Claude 3.5——陈天桥朋友圈里的 MiroMind ODR 让我眼前一亮
陈天桥用GPT - 5评测自家开源模型MiroMind ODR，让其应对复杂问题。GPT - 5评价该模型是“开源界的Claude 3.5”，其能力让GPT - 5“点赞”，有闭源模型稳定性和可用性，还具全开放架构。
「AI重大飞跃」OpenAI官宣：内部实验模型在IMO 2025中取得金牌，GPT-5即将发布
OpenAI研究员Alexander Wei宣布团队开发的内部推理模型在IMO 2025中获相当于人类金牌成绩，还透露GPT - 5即将发布。模型按人类规则评估，解决5个问题，代表AI通用推理能力飞跃，成果不局限于数学推理。