「AI基准测试」共找到 10907 篇相关文章
OpenAI惊人自曝：GPT-5真「降智」了！但重现「神之一手」，剑指代码王座
GPT-5发布后引发热议，其IQ测试成绩不佳遭吐槽，但实际是「路由」问题。解锁神级GPT-5关键在prompt，医学家借它重现「神之一手」。它编程能力强，挑战Anthropic，还推动AI向「智能体式推理」发展。
超越DeepSeek-R1，数学形式化准确率飙升至84% | 字节&南大开源
字节跳动Seed团队与南京大学联合发布CriticLean框架，将数学自然语言到Lean 4代码的形式化准确率从38%提升至84%。该框架创新性地将评估模型置于核心，解决语义对齐等问题，还构建了相关基准测试和数据集。
荣登HuggingFace周榜首位， 人大高瓴与快手提出ARPO实现智能体高效训练！
人大高瓴与快手提出的ARPO项目受高度关注，荣登Huggingface Paper日榜、周榜双首位。它是为多轮交互型LLM智能体设计的强化学习算法，在基准测试中，用一半工具调用预算就显著优于现有方法。
华为昇腾推理对决：开源vLLM vs 官方MindIE，数据说话「Qwen与DeepSeek推理实测」
文章围绕华为昇腾推理，对比开源vLLM与官方MindIE。借助GPUStack平台测试Qwen与DeepSeek模型，分析不同场景性能。指出vLLM和MindIE各有优势，还强调构建国产AI推理生态需多要素，鼓励开源协作。
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。
Cursor终结者？Grok 4正式登顶！马斯克扬言编程碾压，20万N卡年赚47亿美金！
时隔5个月，xAI发布通用模型Grok 4，后续还将推三款模型。Grok 4上线，有三个订阅版本。马斯克称其智能超博士生，多项基准测试领先，编码或超Cursor。其性能强大源于训练投入和计算扩展。
Meta超级智能实验室又发论文，模型混一混，性能直接SOTA
大语言模型训练依赖算力和时间，传统模型 Souping 多采用均匀平均。Meta 等研究者提出类专家 Soup（SoCE），利用基准测试类别构成选最优模型，非均匀加权平均，实验显示其提升了模型效果与稳健性，在排行榜获 SOTA 成绩。
月之暗面硬刚Anthropic！开源万亿参数Kimi K2，Agent编码性能直逼闭源最强！
上周五月之暗面发布并开源万亿参数Kimi K2，外网评价高。它或开启开源AI的“Agentic时代”，在智能体和编码基准上表现出色，成本远低于竞品，但推理速度较慢，已可平替Claude。
评论送书 | Code Agent实战案例——用Pywen Agent、Claude Agent和Codex Agent从零开始构建一款网页游戏
本文展示用三大Code Agent依斯特鲁普效应构建网页游戏，对比其表现，还介绍让AI做测试方案、写文档，体现Code Agent在快速原型开发全生命周期的应用，还推荐相关书籍解答不同人群疑问。
Cursor终结者？Grok 4正式登顶！马斯克扬言编程碾压，20万N卡年赚47亿美金！
时隔5个月，xAI发布通用模型Grok 4，后续还将推编码、多模态代理和视频生成模型。Grok 4已上线，有三个订阅版本。马斯克称其智能超博士生，在多基准测试中领先，编码或超Cursor。