「AI测试集」共找到 10933 篇相关文章
直播预约 | SwS: 强化学习训练能否不依赖外部知识优化模型的弱点？
该论文提出强化学习场景下的启发式数据合成流程（SwS），利用模型自我感知弱点驱动自动化问题生成，弥补推理缺陷。对其扩展后适应性更广，在多基准测试集和模型上验证有效，性能提升显著。
Agent KB：经验池让Agents互相学习！GAIA新开源SOTA，Pass@1性能最高提升6.66
来自多家机构团队发布 Agent KB 框架，构建经验池实现 AI Agent 经验共享。在 GAIA 基准测试中表现出色，提升多模型 Pass@1 性能，还在软件工程领域展现价值。其设计精妙，经消融、检索策略等实验验证有效。
大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准
现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。
最新！Sam Altman：GPT-5几乎所有方面都比我们聪明，准备好直面超级智能
OpenAI的奥特曼在播客中透露GPT - 5已在内部测试，其能力让他有无力感。他认为GPT - 5虽更聪明，但不意味人类价值终结，还提出环球基本财富构想，也坦言对AI影响的担忧。
全球首个科研LLM竞技场上线！23款顶尖模型火拼：o3夺冠，DeepSeek第四
Ai2耶鲁NYU联合推出科研版「Chatbot Arena」——SciArena，23款顶尖大模型比拼科研任务，OpenAI o3夺冠，DeepSeek第四。该平台解决通用基准测试在科研场景‘失效’问题，但其自动评估系统猜科研人偏好远未及格。
乐享以太大模型，让中国具身智能坐上定义席
本文围绕乐享科技推出的以太大模型展开，指出当前具身智能主流VLA、WAM路线均存在固有缺陷，以太大模型改用能量驱动的求解范式，经开放烧烤直播测试验证其能力，开辟Physical AI新路径，推动中国具身智能突围。
从网页截图到精准复刻只需30秒：这个新模型刷新了我的认知
智谱AI发布GLM - 4.6V系列模型，是首个支持工具调用的视觉模型。作者对其进行7个场景测试，如识别鸟类、分析赶海地点等，展现出不错性能。该模型速度快、开源，有优势也有小问题，适合开发者和普通用户。
苹果密谋300亿美元天价收购Perplexity，小扎狂挖印度裔CEO！
AI战火正旺，苹果考虑收购估值140亿美元的AI初创公司Perplexity，这或成其史上最大规模收购。Perplexity有实时联网的AI搜索引擎等，苹果有三种合作设想，但三星或抢先合作。此外，Meta曾想收购Perplexity，后投资Scale AI。
RAG新SOTA，还在5亿条数据上跑进秒级，只有它了
本文围绕RAG技术展开，指出传统RAG在多跳推理等方面存在局限。介绍了GraphRAG、HippoRAG 2的优缺点，重点阐述Zleap AI的SAG方案，它用超边结构重构数据底座，在多跳问答测试中表现出色，还能在大规模数据下低延迟落地。
中英双语、29项第一、像素级理解：360 FG-CLIP2登顶全球最强图文跨模态模型
360推出FG-CLIP2图文跨模态VLM模型，在八大类任务、29项测试中超越Google与Meta。它能像素级看图，中英文皆强且已开源。其优势源于高质量数据集和先进训练方法，还在多业务落地并开放API。