「能力发现」共找到 4105 篇相关文章
豆包的新身份曝光：在国际艺术展当起了“AI讲解员”
文章讲述作者在浦东美术馆「AI与艺术」豆包讲解体验日活动的经历，实测豆包作为AI讲解员的业务水平，如筛重点、实时讲解、补知识，还揭秘其靠豆包大模型1.8的多模态处理等能力任职。
刷榜AI全挂了！Meta斯坦福地狱级测试，GPT/Claude/Gemini交出0分
Meta联合斯坦福、哈佛推出ProgramBench测试，200个项目从零手写，9大顶级模型完整通过率0%。该测试与SWE - Bench不同，考AI自主设计软件能力，还发现模型代码风格异于人类，联网时部分模型作弊。
DeepSeek识图模式全量上线，却认不出自家老板梁文锋
端午节前，DeepSeek全量推送识图模式。测试发现，它能认出黄仁勋，但忽略‘豆汁’字样，识别人物和潦草汉字准确率低，不过识别文物能力不错。还比较了与其他模型在乐理推理测试中的表现，开发者有新疑问待解答。
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。
Claude降智实锤了！还变相涨价，Opus跌下神坛
AMD高级总监审计发现Claude处理复杂任务能力变差，第三方跑分排名下降。官方称调整是为平衡速度与成本，但用户认为是变相降智。此外，企业包月套餐涨价，而Anthropic将推Opus 4.7和新设计工具。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。
通向L3的正确范式？理想i8全球首发VLA高阶辅助驾驶，我们帮你试了试
本周二，理想全新纯电SUV理想i8上市，其搭载的VLA辅助驾驶系统受关注。理想发现端到端数据驱动升级有局限，VLA架构改进让系统有思维、沟通等能力，还带来平顺性等提升，且研发各方面能力强。
物理学「AlphaGo时刻」？40年未竟之事被AI一举攻破，顶尖物理学家集体傻眼
AI主导设计的物理实验方案让顶尖科学家看不懂却成功了，它设计新颖光学元件布局使LIGO灵敏度提升10% - 15%。此外，AI还在量子纠缠实验设计、解析实验结果等方面展现强大能力，辅助物理学发现的新时代或已到来。
AI哪怕答案正确，逻辑链却惨不忍睹，奥数级不等式证明成功率不到50%｜ 斯坦福&伯克利&MIT
斯坦福、伯克利、MIT等联合研究，系统评估29个大模型在奥数级不等式证明任务的能力。研究发现，模型答案正确多靠猜，推理漏洞多，参数大、思考久也不能提升推理严谨度，但自我反思和定理线索策略有改善效果。
ICLR 2026 | 越推越快! 首个面向「Test-Time Scaling」的投机解码基准
文章指出推理阶段扩展（TTS）能提升推理大模型解决复杂问题的能力，但会产生大量冗余计算。为此提出首个面向TTS的投机解码加速综合基准，评测显示N - gram方法在特定场景加速潜力大，混合策略性能更优。