「基准构建」共找到 2650 篇相关文章
刚刚，奥特曼发布GPT-5！人人免费用「博士级」智能，基准图错误遭全网吐槽
OpenAI 发布 GPT - 5，奥特曼连发推文介绍看点。它是集成模型，有免费版、Plus 和 Pro 计划，多领域跑分亮眼。不过直播现小 bug，跑分图出错，马斯克拆台，表现未达部分人预期。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
对话MossCode：估值1亿美金的AI运动手表，想给用户构建一套「个人运动能力Context」
AI智能运动穿戴赛道正火，MossCode获数千万元天使轮融资，估值达一亿美元。其创始团队背景强大，想打破运动行业「苦难叙事」，用AI理解个体差异，为用户打造更贴合需求的运动手表。
多模态大模型理解物理工具吗？PhysToolBench提出了衡量多模态大模型对物理工具理解的基准
香港科技大学等团队提出 PhysToolBench，用于衡量多模态大模型对物理工具的理解。它将理解分为三个等级，测试 32 个模型，揭示了大模型在工具理解上的不足，也为未来发展指明方向。
第一视角效率超过真机，深度机智发布全球首个以人类学习范式构建的具身基座模型
2026年具身智能行业火热，但技术路线不明。深度机智创始人陈凯在中关村论坛发布具身智能基座模型PhysBrain 1.0，用千余小时人类第一视角数据超越真机数万小时数据成果，开启具身领域‘物理常识’革命。
打破大模型编程「数据污染」与「能力虚胖」困境，Meituan-M17团队构建新一代AI编程评测新标准——OIBench
当前大语言模型编程能力评估体系问题多，如评测集饱和、数据泄漏等。Meituan - M17团队推出OIBench数据集，对18个主流大模型评测，揭示模型真实水平，还将举办人机协作编程竞赛。
Grok 4基准测试被爆极其优异，人类终极考试成绩飙升到45%，碾压o3 和Gemini的20%
API开发者曝光Grok - 4和Grok - 4 Code测试成绩，HLE达35%，推理后飙升到45%，远超o3和Gemini的20%。其他测试也表现优异，但成绩引发争议，有人质疑数据污染，也有人支持，目前数据未官方证实。
AI算力饥渴和高能耗困局谁来解？两位95后创始人用相变材料光计算构建新范式
AI算力供需失衡致数据中心能耗激增，传统电芯片性能提升放缓。光本位科技由两位95后创立，2024年6月流片全球首颗128×128矩阵规模光计算芯片，推动光计算商业化，正布局产品商用。
Cursor为Blackwell从零构建MXFP8内核，MoE层提速3.5倍，端到端训练提速1.5倍
Cursor团队从NVIDIA的Hopper H100s升级到Blackwell B200s后遇性能瓶颈，他们回归基础，从零重写MoE训练层，抛弃对现有CUDA库依赖，释放了Blackwell架构潜能，实现MoE层和端到端训练提速。
Qwen 3-235B Aider编程能力击败Claude3.7，成本便宜百倍
Qwen3-235B-A22B在Aider多语言编码基准初步测试中击败Sonnet 3.7 Thinking和OpenAI o1，成本便宜150到600倍。Qwen3-32B准确率超GPT-4.5和GPT-4o ，代码编辑格式正确率达100%。