「内测结果」共找到 954 篇相关文章
大模型越反思越错，原来是长链推理通过自我说服加重幻觉 | 北邮
北邮研究团队通过思维链审计实验，揭示大模型长链推理‘越想越错’现象背后的元认知偏差。研究基于RFC协议文档构建受控知识域，分析推理过程，发现反思会加重幻觉，且现有检测方法难以应对。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
All In AI的Google I/O 2025还开源了一系列模型，冲~
谷歌CEO称Google IO 2025上，数十年AI研究成果已成为现实。大会亮点多与AI相关，如Gemini 2.5系列模型表现出色，还有Veo 3等。此外，还开源了medgemma、gemma - 3n等模型。
UniSteer用机械臂「拼豆」：让人类指导进入VLA噪声空间强化学习
视觉 - 语言 - 动作模型（VLA）是机器人操作重要基础模型，但复杂任务成功率低，真机强化学习成本高。微软等机构研究者提出 UniSteer，将人类纠正转换成噪声监督，在多任务测试中提升了成功率。
上半年谁在闷声赚钱？一文看懂芯片七板块
据财联社8月26日披露，截至8月25日，科创板39家公司业绩增幅超100%，集成电路表现突出。芯师爷按芯片设计、半导体设备等七大板块，盘点各板块企业上半年业绩，指出高增集中在部分领域，其余环节在蓄力。
AI开始替人类调用AI！token用量已是人类5.2倍
据OpenRouter统计，截至8月10日，Agent类token用量半年涨14倍，人类仅2.8倍。差距源于用法差异，虽智能体部分token计价低，但用量大仍烧钱。省钱关键在配套，且智能体任务验收缺人手。
深入原子世界，他在寻找材料失效的原因
文章介绍了美国宾夕法尼亚州立大学副教授杨洋的材料研究。他利用先进电子显微技术，研究材料在极端环境下微观过程，如空位、虫洞腐蚀和短程有序，旨在理解材料失效机制，推动材料设计优化。
OpenAI新模型让数学家集体破防？一场关于数学未来的精神危机
OpenAI下一代主要模型Astra内部版本在多数学领域给出十项新研究结果，让数学界震动。数学家看法不一，有人惊叹，有人迷茫，还有文章指出这或引发数学学科意义的精神危机。
用AI重新审视人类发明史：我们的技术本该比现在更先进吗？
美国研究员 Brian Potter 用 AI 分析 1800 年到 1970 年代 190 项重大发明，判断最早何时能造。结果显示多数发明没迟到太久，1900 年后发明间隔缩短，75%约束是技术性的。
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。