搜索：记忆评测基准

「记忆评测基准」共找到 1796 篇相关文章

Agent不是关键！人大AiScientist实现23小时、74轮长程记忆

中国人民大学团队打造的AiScientist，旨在解决长程机器学习研究工程的持续性难题。它通过File - as - Bus机制稳定保存项目状态，在多轮实验中表现出色，提升科研效率，推动AI真正接手科研流程。

阿里巴巴发布 Qwen3.5 系列，含 8 个开源权重的视觉 - 语言模型。其小模型表现超大体量 OpenAI 开源权重模型，在视觉任务中整体出色，部分在语言任务也有竞争力。虽团队有人员离职，但阿里承诺加大 AI 投入。

多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。

多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。

阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。

谷歌发布由Gemini3驱动的“Personal Intelligence”功能，底层连接旗下四大应用，让AI跨应用获取数据，还内置纠错机制。该功能现处Beta测试，未来覆盖免费用户。谷歌与苹果引入Gemini后路径不同，AI竞争也转向生态构建。

DeepSeek开源OCR模型，探索用多少视觉信息让LLM理解文本。实验表明1000字文档约需100个vision tokens，压缩比10倍、准确率97%。还提出模拟人类遗忘等想法，有多种应用场景，且完全开源。

当地时间9月3日，OpenAI发布GPT-6 Astra，称其为“最智能、最对齐”的模型。它在多测试表现逆天，能力提升显著，还加入新特性。不过价格更高，也带来安全问题。

Anthropic发布Claude for Excel与Claude for PowerPoint重大更新，实现跨文件全上下文共享，以研究预览形式面向付费用户。还引入「技能」「指令」功能，能与微软Copilot协同，已超OpenAI成美企首选。

Anthropic的Claude Sonnet 5即将发布，已存在于谷歌基础设施中，性能领先谷歌‘Snow Bunny’一代。它价格比Opus 4.5便宜50%，有100万token上下文窗口，SWE - Bench成绩超80.9%，还有自动开发团队模型。