「基准表发现」共找到 1883 篇相关文章
从一行代码发现DeepSeek的秘密：Model1到底是什么？
在DeepSeek - R1发布一周年时，有人在GitHub的FlashMLA代码仓库发现神秘代号Model1，可能是V4。文章分析了代码仓库用途、新模型“露馅”原因，还从代码中发现Model1细节，结合论文梳理时间线，最后也提出了怀疑。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
火星上发现超20种有机分子，它们是生命的基础
2026年4月研究显示，NASA“好奇号”在35亿年前岩石中检测超20种有机分子，7种首次发现。研究用TMAH试剂拆解有机物，揭示火星岩石保存有机物方式，发现含氮杂环分子迹象，让火星生命之谜更近一步。
Claude Mythos其实没那么神？AI发现bug其实早已是寻常
VIDOC Security Lab博客指出Claude Mythos实力或被高估，用LLM发现漏洞早有先例，他们用多模型扫描开源项目也发现诸多漏洞。AI辅助漏洞发现成威胁，企业需用AI对抗AI积极防御。
OpenAI发布权威AI科研基准，扯下AI遮羞布：奥赛金牌≠一流科学家！
OpenAI在2025年12月16日发布FrontierScience基准，用超700道题从物理、化学、生物维度考验AI科研推理能力。评测分竞赛和研究赛道，初测显示GPT - 5.2领先，但前沿模型仍有诸多问题。
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
InfoDeepSeek：首个开放网络环境下的智能体信息搜寻质量评估基准
上海交通大学与华为诺亚方舟实验室联合推出InfoDeepSeek，它是首个评估真实动态网络环境下智能体信息搜寻质量的基准。该基准有挑战性问题、真实动态环境等亮点，还开展实验揭示智能体行为特性。
ICML 2026 | 西湖大学提出 PiEvo：基于原理进化的科学发现智能体框架
西湖大学研究团队提出PiEvo框架，将科学发现重点从“搜索假设”转变为“进化科学原理”，通过不确定性最小化实现原理空间自主扩展。该框架构建双循环优化机制，实验结果显示其核心指标超越SOTA，收敛速度大幅提升。
T2R-Bench发布：业内首个由表格生成报告工业基准
为解决大语言模型将表格信息转化为报告的难题，研究团队提出“表格到报告”任务，构建双语基准T2R - bench，其涵盖多垂域表格，还设计评价指标体系，实验显示大模型在该基准上提升空间大。
西湖 & 浙大 | PiFlow：让AI拥有“科学直觉”，Agent用于科学发现的新范式！
西湖大学团队提出PiFlow，一个基于信息论的自动化科学发现框架。它将科学发现视为结构化的不确定性降低过程，由科学原理指导，通过Min - Max优化机制平衡探索与利用，在多领域实验中效果显著，应用前景广。