「记忆评测基准」共找到 1796 篇相关文章
刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习
腾讯混元团队和复旦联合团队发布姚顺雨署名首篇论文《CL - bench》。论文证实模型在上下文利用上有能力短板，还构建了CL - bench评测基准，评估发现前沿模型在上下文学习上表现差，未来要让上下文学习走向现实。
你不知道的 Agent：原理、架构与工程实践
文章聚焦 Agent 架构中影响工程效果的关键内容，如控制流、上下文工程等。介绍 Agent 基本运转方式、控制模式，强调 Harness 比模型更关键，还阐述上下文工程、工具设计、记忆系统等要点，并以 OpenClaw 为例说明落地方法。
谷歌最强大模型付费上线，在DeepSeek开源后被吐槽太贵
谷歌最强模型Gemini 3 Deep Think上线，推理能力强，能将草图变3D场景、搭建游戏。它在多评测基准表现出色，准确率超GPT - 5 Pro等。但仅向Ultra会员开放，月费约1800元，被吐槽贵，开源的DeepSeek-V3.2成冲击因素。
当世界模型不止「视频」该如何评估？WorldLens提出实用化评估新框架
生成式世界模型在多领域进展显著，但评估存在局限。WorldBench 团队构建 WorldLens 评测框架，从五个维度评测开源世界模型，其评测 EvalKit 已公开，可暴露模型能力边界与失效模式。
谷歌Gemini 3杀疯了！陶哲轩亲测：10分钟干翻百年数学难题
Gemini 3本周一发布后开启横扫基准测试之旅。在FrontierMath基准测试创纪录，Epoch能力指数超GPT - 5.1。陶哲轩用Gemini Deepthink十分钟解决埃尔德什问题关键证明，同时它还霸榜物理基准测试CritPt。
Auto Research最后一块拼图，Frontier-Eng Bench登场，在工程闭环里死磕最优
Einsia AI旗下Navers Lab论文Frontier - Eng推出新评测范式Generative Optimization，搭硬核评测系统，覆盖47个横跨5大工程方向的任务。评测多种模型，结果显示gpt 5.4最稳健，但距资深工程师水平尚远。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
一夜200万阅读，OpenAI神同步！这项测评框架让全球顶尖LLM全翻车
中国团队领衔全球24所高校机构发布评测LLMs for Science能力的论文，一夜阅读近200万，同一时间OpenAI也发文指出现有评测标准在AI for Science领域失灵。论文推出评测体系SDE，发现主流大模型在科学发现上短板明显。
全网爆火的龙虾总失忆？大佬亲自下场手搓解药，终结致命痛点
OpenClaw项目爆火，但龙虾存在「失忆」问题。TiDB联合创始人黄东旭发布免注册的永续记忆服务mem9.ai，解决其记忆痛点。它一虾一库、免注册、支持备份迁移等，还上线个人记忆空间，与OpenClaw官方架构深度配合。
几月前的伤心事，ChatGPT突然翻出来提醒我？网友当场破防：太会捅刀子了！
今年4月，OpenAI发布ChatGPT「记忆」功能并不断升级，能形成个性化档案，但也带来问题，如提及伤心事、造成社死等，背后有无意的算法残忍和上下文崩塌两类问题。