搜索：记忆评测基准

「记忆评测基准」共找到 1796 篇相关文章

从第一性原理出发的RAG推理新范式来了，蚂蚁DIVER登顶权威基准

当前RAG系统处理多步逻辑推理任务有局限，蚂蚁集团团队提出DIVER框架解决推理密集型检索难题。它将检索任务分四阶段，在BRIGHT榜单领先，行业对比优势明显，医疗应用效果好。

北京时间8月8日凌晨，OpenAI推出GPT - 5，宣称其更智能、准确，幻觉率低。还推两款新模型，介绍了不同用户套餐。它在编程基准测试表现佳，健康领域能力突出，引发各界热议。

谷歌DeepMind发布新一代通用世界模型Genie 3，只需一句话就能生成可实时交互的3D世界。性能大幅升级，支持720P画质等，还能推动具身智能体研究，谷歌期待其助力迈向AGI。

Sam Altman在对话中透露OpenAI将发布‘远超预期’开源模型，分享创立初期挑战，明确GPT - 5等演进方向，展望AI伴侣、机器人发展，还向创业者喊话，强调AI用于科学前景。

作者深度测试新DeepSeek R1，发现其代码生成能力超Claude 3.7，虽编程全面性有不足，但已处Claude 3.7与Claude 4之间。前端设计审美达Claude 4水准，部分方面略胜，有自主学习推理能力，或改变中国AI历史。

2026年4月8日智谱发布GLM-5.1，它是全球首个通过真实工程任务验证8小时持续工作能力的开源模型，在SWE-Bench Pro上超越GPT-5.4等登顶。该模型性价比高、技术创新多，还适配国产硬件，开源生态友好。

介绍开源项目`screenpipe`，它能7×24小时记录屏幕和音频数据，100%本地运行，保障隐私。对比同类项目Glass，指出两者异同及适用人群，还介绍了安装使用方式。

英伟达联合多机构推出TTT - E2E方法，在长文本处理上提速显著且性能不打折。它基于标准Transformer，将长文本建模转为「持续学习」任务，核心是上下文压缩，避免额外缓存，代码和论文已开源。

通义实验室开源 Mobile-Agent-v3，覆盖多平台，7B 超同类开源，32B 挑战闭源强手。它有基于云环境的全链路开源方案、全栈 GUI 能力构建和可扩展环境强化学习体系，降低部署开销。

上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。