「AI基准测试」共找到 10678 篇相关文章
对话张笑宇：一个科技史学者选择成为“AI降临派”｜甲子光年
科技史学者张笑宇成“AI降临派”。他以“人类当量”和成本说明人类与AI的能力代差，提出全新治理架构，还谈AI应用困境、情感陪伴风险等，认为人类要与AI商定未来。
马斯克官宣数字AI员工！世界首富也来养龙虾，测试阶段员工把它当真人
马斯克在X上宣布数字擎天柱/巨硬AI项目，它是能在电脑自动操作的数字员工，可模拟公司运作。该项目早有记载，此前印度小哥曾爆料。巨硬项目曾遇阻，现以数字擎天柱形式推出，由xAI与Tesla联合打造。
刚刚，微软CEO 宣布：AI 医生诊断准确率已达85.5%，是人类医生的4倍
微软CEO宣布其AI诊断系统MAI - DxO在304个病例测试中诊断准确率达85.5%，是人类医生的4倍。该系统模拟虚拟医生团队，既准又省，但也引发诸多质疑，微软认为AI是医生补充，未来是人机协作时代。
GPT-5基准测试泄露，被曝两天后发布？打Minecraft震撼开挂网友直呼封神
GPT - 5消息不断，泄露的基准测试及Minecraft实测惊艳网友。有爆料称7月31日发布，也有消息指8月。它或统一o与GPT系列，编码能力强，能处理复杂编程任务，不过也引发对其影响的担忧。
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
说话像ChatGPT，统统拉黑！「AI腔」正毁掉社交，奥特曼都受不了
自ChatGPT发布，「AI腔」遭网友诟病。奥特曼吐槽Reddit上的AI腔调，担心失去人性。研究表明ChatGPT影响人们交流方式，有人反向操作调教AI，也有人指出AI弱点，强调人性不可取代。
12个Ai编程Agent同台PK，最贵的不一定是最强的
上海交大和美团联合发布PRDBench论文，将12个主流AI编程Agent放入50个真实Python项目测试。结果显示，基础模型写代码强，商业版调试优势明显；专门训练的裁判模型比通用大模型靠谱。
世界模型评测的最大盲区，被这个新基准捅破了
过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。
OpenAI首款芯片问世：用AI设计，9个月流片
本周三，OpenAI 与博通合作推出首款芯片 Jalapeño，用于人工智能推理负载，由博通制造。它用 AI 设计，9 个月流片，性能未公布但早期测试显示每瓦性能优，目标 2026 年底前初步部署。
不用跟AI客气了！新研究：语气越粗鲁回答正确率越高
宾夕法尼亚州立大学研究《Mind Your Tone》显示，与AI交流时说话越粗鲁，LLM回答越准。测试发现，对GPT - 4o特别客气时正确率80.8%，粗鲁时升至84.8%，但老模型不适用。