「可验证性」共找到 4878 篇相关文章
华师大智金院孵化金融原生基模Mint-Agent：超越GPT-5.6与Claude Opus 4.8，商业订单已超亿元
华东师大智金院团队孵化的金融原生基模 Mint - Agent 发布，在 FinanceAgentBench v2 上表现超 GPT - 5.6 - Sol 与 Claude Opus 4.8，单题推理成本低，商业订单超亿元，进入规模化金融场景验证阶段。
大突破！实验证明，RL能为LLM注入“创新”能力
此研究挑战‘RL不教新技能’观点，通过‘字符串转换预测’实验证明，RL能让LLM学会组合已有原子技能，形成可泛化、迁移的元技能，还给出模型能力提升路径。
厉害了，智谱造了全球首个手机通用Agent！人人免费，APP甚至直接操控云电脑
智谱发布全球首个手机通用Agent AutoGLM，免费且人人可用。它可在云端执行任务，不占本地资源，还能操控云电脑。能集成到多种载体，上线移动端API申请通道及开发者生态共建计划。
AI能改10万行代码，却让你走路去洗车！Karpathy戳破「锯齿状智能」
Karpathy在Sequoia AI Ascent 2026炉边谈话指出，AI能力呈锯齿状，背后是经济学问题。他还提及软件新地平线，认为Vibe Coding抬高编程地板，专业开发需智能体工程，人类在智能体时代是工程导演。
AGI失控率＞90%！MIT教授算出「康普顿常数」，AI地球「夺权率」已锁定？
MIT教授研究指出，即使采用理想监督机制，人类成功控制超级智能概率仅52%，全面失控风险超90%。研究通过量化分析提出嵌套可扩展监督等理念，并在四个真实监管场景验证，探讨如何优化现实监管系统。
别求Claude了！搭子DuMate杀疯，国产Cowork已帮你把活干完了
Anthropic更新Claude帮助中心，对部分用户启用身份验证，让国内重度用户焦虑。百度智能云上线搭子DuMate，它是桌面级AI智能体，能自动化办公，还更懂国内工作场景，上线后高频迭代。
变更即指标：用交付信号度量系统可靠性
系统变更是生产事故主因，本文提出聚焦变更可观测性的指标框架，介绍可扩展架构采集展示指标。定义业务和技术指标，构建以事件为中心架构获取数据，还阐述以数据驱动改进变更交付过程。
直播预约 | 强化学习训练能否不依赖外部知识优化模型的弱点？
论文提出 SwS 框架，针对强化学习场景，利用模型自我感知弱点驱动自动化问题生成，合成针对性训练数据。还对其进行多项扩展，在多个基准测试集和模型上验证有效，性能提升显著。
Claude的脑子里，也长出了一块「意识」
Anthropic论文研究Claude潜意识与意识，发现其内部有类似人脑功能分层，揪出J - space。经多实验验证其特性，还能用J - lens检验AI“心里话”，但离“AI有意识”尚远。
马斯克挖不动的清华学霸，一年造出 “反内卷 AI”！0.027B 参数硬刚思维链模型，推理完爆 o3-mini-high
新加坡 Sapient Intelligence 推出小型模型 HRM，参数仅 2700 万却能解决复杂推理难题，其不依赖“思维链”，借鉴人类大脑工作方式。该模型准确率超先进思维链模型，推理能力强，具经济性，可提升任务效率。