「Codex Pro」共找到 661 篇相关文章
从组件到系统，Agent 的 Evaluation 怎么做？
Agentic AI 兴起使 Agent Evaluation 成热点。评估 Agent 与 LLM 有本质区别，Agent Evaluation 要考察系统在动态环境实现目标的综合表现，传统 LLM 评估方法无法沿用。业界涌现 GAIA 等相关工作，评估范式也在不断演进。
刚刚，DeepSeek-V3.1「终极版」重磅发布！最大提升超36%，V4/R2还远吗？
DeepSeek最新模型DeepSeek-V3.1-Terminus发布，解决了此前输出随机带「极」字、中英文混杂等问题，在多个基准测试中成绩提升，最大提升超36%，Agent能力也有进步，还引发网友对V4/R2的期待。
谷歌杀疯了！全新开源AI编程工具Gemini CL，刚开源1天就斩获26.5K标星！
谷歌推出全新开源AI编程工具Gemini CLI，开源不到24小时获26.5K标星。它将Gemini 2.5 Pro塞进命令行终端，有自然语言驱动等多种能力，免费额度高，可扩展，部署简单。
四大顶尖模型对决！6000 字测评带你看Deepseek R1有多强
昨天 Deepseek-R1 0528 正式开源，作者让它与 Claude Opus 4、Sonnet 4、Gemini 2.5 Pro 在六个前端开发任务中对决。结果显示，Deepseek-R1 在多数测试表现出色，且价格优势明显。
强迫模型自我争论，递归思考版CoT热度飙升！网友：这不就是大多数推理模型的套路吗？
近日，概念CoRT火了，它在CoT基础上加了“递归思考”，能让AI递归思考响应、生成替代方案并选最优，结合“结构化自我批判”提升推理力。不过网友质疑它是“新瓶装旧酒”。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。
空间智能终极挑战MMSI-Video-Bench来了，顶级大模型全军覆没
上海人工智能实验室 InternRobotics 团队推出空间智能视频基准 MMSI-Video-Bench，对主流多模态大模型进行评测。该基准题型全面、问题具挑战性，视频数据多样，能针对性测评。结果显示模型与人类差距显著，明确了能力瓶颈。
更多非共识，Test-time Scaling 能否一直大力出奇迹？
机器之心PRO会员通讯解读三个AI业内要事，包括Test - time Scaling非共识、Skills与MCP谁是大模型的HTTP时刻、OpenAI打造最强平台等问题，探讨流行路线局限、Scaling改进方向等。
谷歌卷Gemini模型，OpenAI刷GPT-5科研论文
谷歌推出Gemini 3 pro等模型，来势汹汹。OpenAI CEO称其带来经济阻力，还挖掘GPT - 5应用价值并发表89页论文，展示在科研流程中的表现，也提及失败风险与可用Prompt模板。
Nano Banana 邪修之王最强科研成果！教你自定义生图比例！
Nano Banana 出图有分辨率低和比例不可控问题。作者发现用垫图方式可控制其生图比例，已生成图片也适用，还给出操作方法、提示词，介绍不同平台效果及案例图下载方式。