「FutureX 动态评测基准」共找到 975 篇相关文章
我雇了个AI，替我读微信列表里“吃灰”的公众号文章
文章评测了AI工具语鲸，它像国产版NotebookLM和AI版今日头条，能处理文本、整合资讯。它可订阅多渠道账号，有订阅、频道等实用功能，网页端解析长文出色，但处理图文有问题，其团队背景强大。
Meta全开源HumanCLAW：基础模型正进入具身智能的决策层
过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。
都说记忆是Agent标配，但MemSyco发现漏算了一件事
厦门大学与吉林大学的最新研究指出，随着大模型Agent具备长期记忆，虽成为“长期协作者”，但也出现Memory-Induced Sycophancy问题。为此提出MemSyco - Bench评测基准，经实验得出多项发现，指出Agent Memory关键瓶颈转变。
一篇最新自演化AI Agents全新范式系统性综述
传统LLM Agent工作流固化，面对动态环境只能人工硬编码，成本高、迭代慢。此55页综述提出“Self - Evolving AI Agents”新范式，让Agent自主优化自身结构，还给出三定律、统一框架及各类优化方法。
“千问奶茶”在二手平台6元转售；追觅俞浩：年终奖最高20个月奖金，总量会达到10亿级；京东001号快递员：退休金4000多，存款百万｜AI周报
这是一份AI周报，涵盖行业热点、大模型发布等多方面信息。有追觅俞浩高额年终奖计划，马云现身阿里千问项目组引发‘千问奶茶’活动热潮，还有域名交易、企业收购、模型发布及应用等动态。
全球最大AI榜单塌房！52%高分答案全是胡扯，硅谷大厂集体造假？
2025年底，《LMArena is a cancer on AI》一文引发关注，其指出LMArena这个权威大模型评测平台问题严重。Surge AI调查发现，52%获胜回答事实错误，39%投票结果与事实相悖，Meta还曾为榜单优化模型。
物理引擎 + 视频生成！输入一张图，让AI演给你看真实物理世界
WonderPlay将物理仿真与视频生成结合，从单张图像生成动态3D场景。它引入混合生成模拟器，形成物理求解器与视频生成器闭环。与其他方法对比，WonderPlay在多种场景和材质下表现更优。
杭州再出黑马，中国千亿市场被炸穿！AI「杀死」会计，达摩院大佬出手了
杭州精算家的「深蓝财鲸」炸穿国内千亿财税市场，实现90%降本。它具多智能体协作框架与动态策略进化引擎，冲击传统代账公司和中小企业财务岗，其团队来自达摩院，对标美国巨头Intuit。
真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge
Scale AI发布首个原生音频多轮对话基准Audio MultiChallenge，撕开大模型靠合成语音评测维持的假象。实验显示，Gemini 3 Pro等模型在真实场景表现不佳，还揭示了模型在语音交互中的三大失败模式。
让OpenAI只领先5天，百川发布推理新模型，掀翻医疗垂域开源天花板
百川智能发布医疗推理大模型Baichuan - M2 - 32B，在OpenAI的Healthbench评测集上超越刚发布5天的gpt - oss - 120b，领先多数前沿模型，支持RTX4090单卡部署，还首创患者模拟器和Verifier系统。