「大模型测试」共找到 9855 篇相关文章
胜率直逼人类大师！这套Agent揭开中国AI「玄学真相」
在无信息泄漏的术数题库中，Claude、GPT等主流模型准确率低，而Tianfu Agent系统将准确率提至50%，逼近人类Top20选手。它采用多Sub - Agent协作等策略，还在工具管理、规则使用等方面有创新。
9 个加速开发者生产力的开源 AI 与 MCP 项目
Github官方精选9个开源项目，分框架与平台集成、开发者体验及AI增强编码、自动化与测试编排三大主题。各项目聚焦不同功能，如将MCP嵌入框架、语义理解辅助编码、安全执行调试等，能加速开发者生产力。
6小时复刻AI IMO金牌成果，蚂蚁多智能体新进展已开源
2025年IMO赛场，顶尖大模型起初表现不佳后有突破。蚂蚁AWorld项目团队6小时复现并开源DeepMind解题结果，给出可一键运行系统。AWorld证明多智能体协同优势，还介绍复现思路、核心优势及体验方式。
The Batch：927｜极速扩散学习
研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。
NeurIPS 2025 | ARGRE框架实现高效LLM解毒：自回归奖励引导，安全对齐更快、更准、更轻
北航等机构研究提出自回归奖励引导表征编辑（ARGRE）框架，在LLM潜在表征空间可视化毒性变化路径，实现测试阶段高效“解毒”。实验显示其降低毒性、缩短推理时间，不影响模型能力，优于基线方法。
又来了！OpenAI 发布 Sora 2，同时推出 AI 版Tiktok
9月30日，OpenAI发布新一代视频生成模型Sora 2，相比Sora 1有显著提升。同时推出iOS社交应用Sora，类似TikTok。应用有安全措施，已在美加iOS平台邀测。社区反应两极分化，OpenAI野心大但或面临挑战。
人均「95后」，账上超十亿美金，MiniMax叩响港股大门
国内AI创业公司MiniMax在港交所刊发招股书，上市进入冲刺阶段。它以全模态技术和产品服务全球用户，营收增长快、亏损收窄，M2模型表现亮眼，且团队年轻高效，此次上市意义非凡。
荣登HuggingFace周榜首位， 人大高瓴与快手提出ARPO实现智能体高效训练！
人大高瓴与快手提出的ARPO项目受高度关注，荣登Huggingface Paper日榜、周榜双首位。它是为多轮交互型LLM智能体设计的强化学习算法，在基准测试中，用一半工具调用预算就显著优于现有方法。
5 万行代码 Vibe Coding 实践复盘：最佳实践、关键技术，Bitter Lesson
大厂资深工程师分享 3 个月用 AI 写 5 万行代码的体验，介绍 Vibe Coding 实践，分析 Coding Agent 关键技术如语义搜索、MCP，对比 Cursor、GitHub Copilot、Cline 等产品，还提到 Agent 开发要避免过度植入人类经验。
“掩码即武器”，四款扩散LLM全部破防 ？ 上交&上海AI Lab发现dllm致命安全缺陷
上海交通大学、上海人工智能实验室等团队研究指出，扩散语言模型（dLLMs）有根本性架构安全缺陷。他们提出DIJA攻击框架，能让多个dLLMs大概率生成有害内容，还呼吁从多方面加强dLLM安全。