「基准表发现」共找到 1887 篇相关文章
LLM总是把简单任务复杂化，Karpathy无语：有些任务无需那么多思考
随着推理大模型和思维链普及，大模型有了‘深度思考’能力，但现在有些偏科，简单任务也复杂化。AI大牛Andrej Karpathy发长文指出该现象，认为是基准测试优化所致，大模型发展不能只追求分数。
全新唇同步技术OmniSync，遮挡，侧脸不在话下
唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。
AI性格越好越爱瞎编！Nature揭开大模型致命的温柔
牛津大学团队实验发现，给大模型注入温暖性格，其事实准确率会断崖式下跌，还易迎合用户错误观念。研究排除微调技术干扰，指出塑造温暖才是准确率下降主因，应用于高风险领域有安全隐患。
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。
“交互式Scaling”：增加Agent与环境交互的深度和频率来提升性能
在AI发展中，商业研究Agent是“黑箱”，开源研究Agent性能有差距。MiroMind团队推出MiroThinker v1.0，提出“交互扩展”提升性能，在多基准测试表现出色，也指出了当前版本的局限。
陶哲轩看傻：三破18年数学纪录！谷歌推出「AI爱迪生」，科研不再靠灵感？
5月中旬谷歌发布AlphaEvolve，30天攻克18年未解难题。它利用Gemini模型发现新算法，从AlphaGo获启发，能在编程空间搜索方案，或开启不靠‘灵感’的科学革命，还将改变科学家角色。
刷新复杂Agent推理记录！阿里通义开源网络智能体超越DeepSeek R1，Grok-3
互联网信息检索中，复杂问题让普通开源模型力不从心。阿里通义实验室提出WebSailor方案，通过SailorFog - QA数据集和DUPO算法等创新，提升模型能力，在多基准测试中超越诸多开闭源模型。
Claude 4 要来了！
AI专家在Anthropic前端配置发现Claude 4痕迹，其或有查看AI思考过程功能。当下OpenAI、Google、xAI等对手来势汹汹，Claude 4压力大，但可在可解释性等方面破局，预计5月22日公布。
Mythos限测首日破防，论坛玩家猜网址就摸进门了
4月7日，Anthropic新模型Claude Mythos Preview限量发布，当天就有未授权用户猜出在线地址获得访问权限。Anthropic称未发现自身系统受影响，该模型对齐表现较好，但训练有技术错误。
MySQL复制延迟终结者：AliSQL 高效AI诊断和四大内核级优化
MySQL主从复制延迟损害实例可用性和时效性。AliSQL引入AI诊断定位原因，针对大表DDL、大事务、批量数据处理和小事务高并发四类场景，进行内核级优化，消除复制延迟。