「学术基准测试」共找到 2189 篇相关文章
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
谢赛宁开炮，现场打脸CVPR评审！Sora开山之作DiT被拒，怒斥AI学术圈畸形
在CVPR 2025上获年轻研究者奖的谢赛宁批判AI学术界畸形，回顾DiT、SiT论文被拒却成Sora等奠基成果的经历。他借“无限游戏”与“有限游戏”概念谈AI研究，指出应坚持“无限游戏”，打破当前困境。
测试的同学要起飞啦, Cursor / Claude 党福音：一个 MCP 服务器把 Android 真机接进你的对话框
DroidMind是开源MCP服务器，将Android的ADB能力结构化暴露给支持MCP的AI客户端。适合调试、测试等场景，能让AI执行设备操作，有设备管理、调试信息获取等功能，使用体验友好且安全。
「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了
近年来，T2V模型进展显著，Sora2爆火引发对其是否为‘世界模型’的探讨。传统基准无法系统衡量模型对事件因果等的理解，中山大学等团队提出新评测框架VideoVerse，评测主流模型并发现开源与闭源模型差距及各模型缺陷。
给你一群顶尖AI，如何组队才能发挥最大战力？UIUC用一个新的多智能体协作基准寻找答案
现有的评测基准无法衡量多智能体系统内部的协作效率、沟通质量和竞争策略。为此，伊利诺伊大学厄巴纳 - 香槟分校的研究者推出 MultiAgentBench，能全面评估 LLM 多智能体系统协作与竞争能力。
2.4k star 开源项目，Wingman AI + 知识图谱，如何帮你搭建‘私人大脑’？学术/项目必备，让笔记真正活起来！
MindForger是桌面Markdown IDE，可构建私人知识体系。它能本地运行，掌控数据，有思考联想、知识图谱浏览等功能，能解决笔记混乱等痛点，适用于学术、项目管理等场景。
37岁获诺奖、遭受10年学术不端争议，逆转录酶发现者大卫·巴尔的摩去世，生前最后一周还在发表论文
37岁就获诺奖的大卫·巴尔的摩去世，享年87岁。他1970年发现逆转录酶，颠覆传统遗传“中心法则”，还在免疫学等多领域贡献卓越，虽曾陷“巴尔的摩事件”学术争议，但最终合作者指控被撤销。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
近日，智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，打破具身智能演进制约。
刚刚，奥特曼放出ChatGPT「统一智能体」！惊呼真AGI，最卷打工人来了
奥特曼带队直播发布ChatGPT agent，它融合三大技术优势，可自主工作，还能上网直出PPT、Excel。在多项测试中刷新SOTA，2025年将成全新AI杠杆，解锁「超级个体」模式。
让AI自动构建AI模型：UCSD 推出 AIBuildAI 智能体，斩获OpenAI MLE-Bench榜单第一
近日，加州大学圣地亚哥分校研究团队开发 AIBuildAI 智能体，可全自动构建 AI 模型。它在 OpenAI MLE - Bench 基准测试 75 个任务上以 63.1% 获奖率居榜首，实现端到端自动化。