「能力提升」共找到 5142 篇相关文章
GPT-5.4 仅 11.36%！当大规模工具生态变成迷宫，LLM Agent 还能完成长程规划吗？
PlanBench-XL 来自 UIUC 团队，将 LLM Agent 放入零售 API 世界，评测其长程规划能力。它考虑真实工具环境挑战，含 327 个任务等，发现多数模型规划难、恢复差等问题，并给出改进启示。
Spec 退场，skills 上位：Codex 团队的产品方法论变了
文章介绍了OpenAI Codex团队产品方法论的变化，从重视spec转向skills，开发从“描述过程”转向“组织能力”。还谈及Codex app开发、团队协作等，指出模型变强后工作模式转变，职业边界模糊，团队招人看重主动性。
5700问答对全面评估拷问AI空间感！最新空间智能评测基准来了丨浙大&成电&港中文
当前视觉语言大模型空间信息学习片段化，缺乏多维度空间推理能力。浙大、成电和港中文团队提出ViewSpatial - Bench基准体系，评估主流模型，揭示其缺陷，并开发MVSM优化跨视角空间理解。
机器人学会“脑补”触感，叠衣服端茶水成功率暴涨90%
近年来，人形机器人研发从行走转向复杂操控，但处理精细家务表现逊色。卡内基梅隆大学联合博世人工智能中心团队提出 HTD 模型，让机器人预判触觉，在 5 项任务上成功率提升 90.9%，部分代码开源。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
上海AI Lab新研究：SFT能泛化，只要满足这三个条件
上海人工智能实验室等团队研究指出，“SFT泛化能力差”定论有局限。SFT泛化能力受优化过程、数据质量与结构、模型基础能力共同制约，研究还揭示其训练中的现象及副作用。
RL是「点金石」还是「挖掘机」？CMU 用可控实验给出答案
卡耐基梅隆大学研究者构建基于GSM - Infinite的可控合成数据框架，分析预训练、中期训练和RL对模型推理泛化能力的影响，调和了RL有效性的不同观点，为改进训练策略提供基础。
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
卷赢OpenAI也没用！Salesforce用100万次对话揭秘：AI Agent最大的坑，根本不是技术！
Salesforce处理超100万次AI Agent与客户对话后复盘，指出行业追求“全自动化”是陷阱。AI Agent不仅要融合非结构化和结构化数据，还需提升人工介入率，遵循“同理心优先”原则。
程序员每十年就“要被取代”一次：这件事从 1969 年开始
文章回顾软件开发史，从 COBOL 到如今的 AI 编程工具，每次新技术都承诺让编程变简单，但始终无法绕开复杂性。指出软件开发瓶颈在处理复杂性的思考能力，提醒用新工具时保持清醒。