「财务结果」共找到 593 篇相关文章
大模型解数学题是真懂还是 “死记硬背”？｜首个反例驱动的数学推理基准揭穿 “刷题式假象”！
随着大语言模型在数学领域应用渐广，其是否真具备数学推理能力成焦点。清华等团队提出反例推理评测基准COUNTERMATH，测试20+主流模型，结果不佳，而小样本微调能显著提升模型能力。
反常识！GPT-5和Opus 4同时翻车：AI越强，越不爱用工具？
作者用GPT - 5和Claude Opus 4做进化实验，让其开发工具。两模型表现出色，但面对实际任务却不用自制工具。原因包括模型规模使脚手架工作无价值、RLHF带来工具厌恶、逼近AGI渐近线等。
苹果分享 iOS 26 即将推出的 AI 基础模型的细节
苹果在技术报告中公布 iOS 26 新 AI 基础模型细节。该模型有 3B 参数和更大版本，前者在设备运行，后者用于私有云平台。介绍了架构、评估结果，还强调实现可信赖 AI 的方法。
4K-Agent：可将低分辨率图像提升至4K高清智能体
图像超分辨率技术在多种视觉任务中重要，但传统方法泛化能力有限。德克萨斯A&M等大学研究人员推出4K Agent，其多智能体架构能将低分辨率图像提至4K高清，在多领域测试表现出色。
AI 编码让资深程序员“掉速”19%！OpenAI 前研究员实锤：别再交“AI 工具智商税”了，谷歌大佬力挺！
METR研究显示，AI编码工具让开发者效率降19%，与主观感受及专家预估相反。此结果引发热议，谷歌技术大佬支持，指出AI工具生成代码难达标准，未来或改进，目前更适合小规模项目。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
我让10个大模型又参加了完整版数学高考，第一名居然是它。。。
作者让10个大模型参加完整版数学高考，单独制定规则，邀朋友协助测试。结果令人意外，单选题第6题成噩梦，多模态题大模型几乎全军覆没。讯飞星火和豆包145分并列第一，Qwen3屈居第三。
AI集体“听不懂”！MMAR基准测试揭示音频大模型巨大短板
MMAR基准测试对30款音频相关模型进行测试，结果显示，多数开源模型面对复杂音频推理任务远未达实用水平，音乐任务中所有模型表现不佳，且有显式推理能力的模型表现更优。
Meta Shuffling的MoE Grouped GEMM kernel benchmark
作者拷贝fbgemm开源的moe grouped gemm kernel，修复小bug后与SGLang的Grouped GEMM Triton Kernel对比，结果显示fbgemm在MoE模型上性能提升显著，可应用到SGLang的ep - moe的grouped gemm kernel中。
英伟达发现RL Scaling！创造力暴涨，做基座模型做不了的事！
过去学界争论强化学习（RL）对语言模型的作用，此前研究认为其效果有限。本文发现问题出在训练时间短，提出ProRL，让训练突破2000步以上，结果惊人，小模型也能有出色表现。