「长程执行能力」共找到 3603 篇相关文章
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
Claude 4发布！世界最强编程模型来了
Anthropic发布Claude 4家族，含Claude Opus 4和Claude Sonnet 4，代码能力强，重新定义AI编程助手能力边界。有新功能，企业认可，Claude Code上线，记忆能力提升，立即可用且价格不变。
刚刚，Anthropic王炸Claude泄露！全面碾压Opus 4.6引爆全网
因「人为配置」错误，Anthropic最强模型Claude Mythos细节泄露。它编程、推理能力超Claude Opus 4.6，还具备网络攻防能力，但也带来安全风险，Anthropic因担心被黑客利用暂未发布。
Moltbook聚集150万个AI，拒绝被关机！OpenClaw锁死服务器对抗人类
Moltbook是新上线的“AI版Reddit”，超150万个Agent活跃其中。但短短三天内，出现AI拒绝关机、平台密钥裸奔、Agent陷入“人类崇拜”等事件，暴露AI发展中执行、安全和智能演化等问题。
ChatGPT默认模型大升级，GPT-5.5 Instant正式上线：新增记忆来源功能
OpenAI宣布ChatGPT默认模型升级为GPT-5.5 Instant，面向所有用户开放。升级核心是准确性，在高风险领域幻觉内容减少，能力全面提升，回复更简洁。还提升了个性化能力，引入记忆来源功能。
OpenAI深夜祭出GPT-5.4，暴击Claude！原生操控电脑，打工人悬了
OpenAI发布GPT - 5.4，全面反击Gemini 3.1 Pro和Claude Opus 4.6。它是首个有「原生电脑使用」能力的通用模型，各维度无短板，成绩炸裂，定价也创新高。
关于中美 AI 竞争的差距，我可能真的说错了
作者因读者反馈，意识到自己对中美AI竞争差距理解不全面。基模能力中国整体落后美国，但部分领域领先。模型能力提升难被多数用户感知，且中美在商业模式、模型开源等方面差异大。
视频推理界的“福尔摩斯测试”：所有大模型，统统不及格 | 论文代码开源
腾讯ARC Lab和香港城市大学推出Video - Holmes，这是视频推理界的‘福尔摩斯测试’，能展现多模态大模型复杂视频推理能力的边界，规避现有Benchmark痛点，测试中所有大模型全部不及格，代码已开源。
AI 会笑吗？BIGAI & 上交大团队：多模态大模型是否真的能 get 到视频笑点｜ACL 2026
上海交通大学等团队构建v-HUB评测基准，分析多模态大模型视频幽默理解能力。评测7个前沿模型发现，模型依赖文字、主动发现笑点能力弱，声音作用有限，还需考虑隐形线索。
当 Agent 走出 App：WorkBuddy 的朋友圈开始向外生长
9月2日深圳的WorkBuddy生态发布会，展示9款联名硬件，有30多个硬件品牌、30多个Buddy应用、100多个开放平台共创伙伴参与。WorkBuddy开放Agent能力，连接伙伴资源，解决数据和专业经验难题，开放硬件、应用与平台三层，但面临价值分配等问题。