「自我验证」共找到 1182 篇相关文章
Test Time Scaling Law远未达到上限! o4-mini仅15.8%通过率，华为诺亚提出代码HLCE终极基准
华为诺亚研究员推出全新编程基准HLCE，含235道竞赛难题。实验显示，顶级LLM在该基准表现不佳，推理模型优势大，IOI交互式题难攻克。研究还发现模型自我认知与推理能力发展不同步，Test Time Scaling Law远未达上限。
AI Code要变天了，Meta首个代码世界模型登场！
Meta FAIR推出32B参数的代码世界模型（CWM），旨在探索世界模型如何改变代码生成和推理，code和mode已开源。在SWE - bench验证中表现优，能与更大规模或闭权重的LLM竞争，还介绍了训练、数据集等情况。
不踩点不微调！Figure最新模型盲测30个家庭：首次实现零样本全身泛化
人形机器人公司Figure发布最新端到端具身模型Helix 2.5，在30套未采集训练数据的陌生住宅开展全盲家务测试，验证Index预训练可让模型实现零样本全身泛化，整体成功率56%，远高于对照组的9%，证明人形机器人跨场景迁移的工程可行性。
卖身微软15年后，他带着“工程世界模型”杀回AI牌桌，宣称CAD任务150倍降本、50倍提效
本文报道了曾将创业公司Maluuba卖给微软的创始人Sam Pasupalak，15年后新创Skyfall AI推出号称全球首个“工程世界模型”SKY-001，主攻CAD、BIM领域，宣称实现几十倍降本提效，同时指出目前缺乏第三方验证，成果仍待检验。
AI证伪百年数学猜想被打假！Lean证明惊现漏洞，哥大教授破防了
OpenAI新推理模型取得十项数学进展，如证明非Sofic群存在性等。哥伦比亚大学副教授Henry Yuen对其量子并行重复定理证明既兴奋又失望，因证明有AI味且难理解。此外，Lean证伪科拉兹猜想被指利用内核漏洞，专家提醒Lean验证有局限。
突发！Anthropic宣布Fable 5.1仅用一条提示词突破粒子物理“九圈”难题
本文报道Anthropic团队用搭载Fable 5.1的Claude Science平台，仅靠一句提示词，让AI自主完成粒子物理领域卡壳多年的N=4超杨-米尔斯理论九圈散射振幅计算，结果经原纪录保持者验证正确，总成本仅千余美元，展现了AI在科研领域的突破能力。
突发：DeepSeek Harness出桌面版了！
本文来自机器之心，爆料DeepSeek Harness流出未官宣官方桌面客户端，实测可正常使用，介绍了其界面、多种工作模式与内置插件，该版本为官方候选测试版，降低了普通用户使用门槛。
AI让知识变得廉价，大学何去何从？
本文围绕AI普及后知识成本下降、学历信号弱化的现状，引用经济学教授杰森的最新论文，分析大学核心价值与AI冲击逻辑，给出转型方向，并探讨中国高校的应对思路。
14 岁清华天才、普林斯顿最年轻终身教授王梦迪：AI 尚未发现新的基础科学｜附完整演讲
本文整理了普林斯顿大学终身教授王梦迪在2026外滩大会的演讲，分析当前大模型在科学发现上的核心局限，提出AI实现自主科学发现的路径，分享了团队的科研实践。
OpenAI悄悄上架了一个生命科学新模型，想当药企的工具供应商
本文报道OpenAI在API价格页悄然上线未正式发布的生命科学新模型gpt-rosalind-discovery，梳理OpenAI Rosalind产品线布局，对比头部厂商路径，分析AI+药物发现赛道商业化的机遇与挑战。