「评测环境」共找到 1070 篇相关文章
伯克利最强代码Agent屠榜SWE-Bench！用Scaling RL打造，配方全公开
开源软件工程模型DeepSWE横空出世，基于Qwen3 - 32B，仅用强化学习训练，以59%准确率刷新SOTA。它采用rLLM框架、R2E - Gym环境，用改良GRPO++算法，还介绍了评估策略及训练挑战的解决办法。
打破学科壁垒！400篇参考文献重磅综述，统一调查「人脑×Agent」记忆系统
哈工大等多机构联合发布重磅综述，打破认知神经科学与人工智能学科壁垒，统一审视人脑与 Agent 记忆系统。文中剖析记忆定义、作用、分类、存储、管理等，还提及评测、安全问题及未来多模态记忆、技能迁移方向。
震撼实锤！清华姚班校友揭「1.4×加速」陷阱：AI优化器为何名不符实？
为降低大模型预训练成本，近年新优化器频出，宣称加速1.4×到2×却难落地。斯坦福研究指出方法学缺陷，对比不同缩放范式加速差异，给出优化器设计见解，证实严格基准评测必要。
印度，拿什么实现自己的芯片梦？
印度近期在集成电路产业频有消息，两个半导体项目因资金问题搁浅。印度政府野心大，出台多项扶持政策，但其在芯片制造方面基础薄弱，实现半导体蓝图面临资金、人才、基建、营商环境等多重挑战。
RoboScience机器科学发布轮式仿人形通用机器人REX G1，让机器人真正成为新一代具身生产力伙伴｜甲子光年
8月17日，RoboScience机器科学发布轮式仿人形通用操作机器人REX G1，搭载自研的Visics通用具身大模型，面向多场景打造，能完成完整任务闭环。它将移动与操作融合，适应真实环境，具强大泛化能力且续航佳。
Qwen3.7：智能体新前沿
阿里云正式发布面向智能体时代的Qwen3.7-Max模型，将通过API提供服务。它能力全面，编程、办公、长周期执行等表现出色，适配多框架，在多场景评测中领先，能驱动生产力跃升，还经多实战测试验证实力。
ICLR 2026｜首个微观世界模型MicroVerse来了，AI开始模拟看不见的世界
过去两年，世界模型成为大模型演进重要方向，但现有模型多聚焦宏观世界。本文提出MicroVerse模拟框架，将研究边界拓展到微观尺度，还推出MicroWorldBench评测基准和MicroSim - 10K数据集，推动AI从视觉模拟迈向科学模拟。
推理能力大比拼，《推理模型综合测评报告 2025 》正式发布
过去半年，推理能力成大模型新分水岭。InfoQ研究中心评测八款热门模型，围绕五大维度，用超90%原创试题。发现各模型在不同维度表现有差异，推理模型发展正从‘一个大脑’变为‘带工具的多能智能体’。
AI视频杀出一匹“快乐黑马”：把Seedance 2.0挤下榜首，幕后团队成谜
4月7日深夜，AI评测平台公告Video Arena新增匿名视频模型HappyHorse - 1.0，48小时后积分登顶，超过Seedance 2.0。网友猜测其出自中国团队，有线索指向Sand.ai等联合团队或阿里淘天集团。实测表现有亮点，Elo评分合理性存疑。
通义实验室正式开源 Mobile-Agent v3.5 及新一代多平台 GUI Agent 基座模型 GUI-Owl-1.5
通义实验室正式开源 Mobile - Agent v3.5 及新一代多平台 GUI Agent 基座模型 GUI - Owl - 1.5。该模型有多档参数可选，分 Instruct 和 Thinking 版，支持多平台。它解决了高质量数据难搞定等痛点，评测表现良好。