「结果付费」共找到 688 篇相关文章
全球顶尖AI做物理，被人类按地摩擦？不懂推理大翻车，本科生碾压
港大等机构用3000道物理题测试顶尖大模型，如GPT - 4o、Claude 3.7 Sonnet等，结果模型准确率远低于人类专家。研究推出PHYX基准测试，揭示模型依赖知识、公式和模式匹配，缺乏真正物理理解。
爆火的腾讯WorkBuddy发了篇论文，公开了自家底牌
腾讯 WorkBuddy 团队将内部模型选型评测等开源成 Benchmark，公开多模型 Agent 工作台选型底牌。Bench 优点是任务分布真实且开源可审计，论文介绍了核心方法论、四大赛道拆解、榜单结果，还对比了现有工作。
提前实测Opus 5：3D细节封神，然而有一个致命缺陷
全网苦等Opus 5，结果其暂缓发布，理由是怕威胁人类对高级AI的控制，遭网友怒批。部分开发者提前实测，它3D细节表现出色，但耗token且看图测试翻车，原定有诸多强大特性。
ICML 2026 | 西湖大学提出 PiEvo：基于原理进化的科学发现智能体框架
西湖大学研究团队提出PiEvo框架，将科学发现重点从“搜索假设”转变为“进化科学原理”，通过不确定性最小化实现原理空间自主扩展。该框架构建双循环优化机制，实验结果显示其核心指标超越SOTA，收敛速度大幅提升。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。
Auto Research最后一块拼图，Frontier-Eng Bench登场，在工程闭环里死磕最优
Einsia AI旗下Navers Lab论文Frontier - Eng推出新评测范式Generative Optimization，搭硬核评测系统，覆盖47个横跨5大工程方向的任务。评测多种模型，结果显示gpt 5.4最稳健，但距资深工程师水平尚远。
Coding Agent 的一个啊哈时刻
作者翻用Codex在SGLD做Qwen - Image/HunyuanVideo的modelopt fp8支持的记录，发现Coding Agent思考过程与人类思路高度一致，如对比中间图和结果图判断量化精度，Infra领域核心技能或被其解决。
499上门装龙虾的人，开始赚299卸载龙虾的钱了
OpenClaw（龙虾）付费部署火爆后，卸载业务也成大型产业链，遍布多平台。因安全隐患多、烧Token等问题，不少人选择卸载。商家服务分层、价格灵活，甚至还有人盯上教小朋友学龙虾的生意。
ICLR 2026出分，审稿员怒喷「精神病」！DeepMind研究员教你绝地求生
ICLR 2026评审结果公布，投稿量近2万篇创新高，但分数滑坡，平均分从5.12跌至4.2。审稿人吐槽质量低，甚至有怒喷‘精神病’的情况。DeepMind研究员提供论文反驳指南，称同行评审像‘随机数生成器’。
20美元，撕开人类思维鸿沟！宾大教授警告AI隐形阶层战
宾大教授Ethan Mollick指出，AI已成新社会基础设施，正制造人类内部分层。从免费到20美元、200美元，不同付费层级对应不同使用模式和能力，思维差异才是关键，未来需培养与AI协作的直觉。