「可验证推理」共找到 6204 篇相关文章
又一个开源 AI Agent 杀到！II-Agent，号称“全球最强”，击败 Genspark 和 Manus，跑分直逼人类
AI Agent 赛道迎来新成员 II-Agent，由 Intelligent Internet 团队打造且将开源，获前 Stability AI CEO 站台。它性能强、可扩展，GAIA 跑分亮眼，团队认为未来是 Agent 群的天下，还计划为多领域构建开源 Agent。
一手实测深夜发布的世界首个设计Agent - Lovart。
博主实测深夜发布的世界首个设计 Agent - Lovart。虽内测版细节粗糙，但大框架已现。它先匹配设计风格，再创建执行计划，还支持二次编辑等，集成多工具可生成视频等，未来或重写设计工作流。
时隔两月，Mistral AI终于上新Medium 3，近期还有「One more thing」
时隔两月，Mistral AI 推出 Mistral Medium 3，性能介于轻量级和大规模模型间，优于 GPT - 4o 等。未开源，可通过官网等使用，专为企业设计，成本低。还预告将推「大型」产品，同时推出企业聊天机器人 Le Chat Enterprise。
OpenAI 黑科技 Deep Research 诞生记：一个工程师的“不务正业”如何改变 AI 战争格局
OpenAI宣布美国用户可免费使用集成于ChatGPT的AI研究助手Deep Research。OpenAI负责人分享其背后故事，探讨起源、人类专家数据作用等，还提及RFT时机、代理安全性等，并展望其能访问私有数据，适用于具体任务。
68页论文再锤大模型竞技场！Llama4发布前私下测试27个版本，只取最佳成绩
《排行榜幻觉》论文指出Chatbot Arena存在问题，如少数大厂私下多版本测试选最优、数据访问不平等、用Arena数据训练可提性能、模型被大量静默弃用等，研究团队给出改进建议，官方也进行了回应。
【CIKM'2026】CQ-SID：LLM生成式检索在手猫搜索召回中的探索与应用
文章围绕LLM生成式检索在手猫搜索召回的应用展开。先点明当前搜索召回机制问题及生成式检索挑战，提出CQ - SID等方法，经实验验证其效果佳，还介绍了线上实验成果，最后展望未来探索方向。
港科大（广州）联合腾讯AI平台部开源VibeWorlding，3D世界构建迎来Vibe Coding时刻？
香港科技大学（广州）联合腾讯AI平台部提出VibeWorlding，是可通过多轮对话等自主构建和编辑交互式3D世界的多模态智能体框架。团队开源多项数据，其模型经强化学习后表现超GPT - 5.5等。
AI4S智能体「井喷」，这个智能体登顶多项评测榜单，实现产业落地
2026年是AI4S「智能体元年」，科研智能体产品密集发布，行业关注转向产品落地。深度原理发布的AI科学家平台Mira在多项评测中领先，其全链路闭环系统补齐传统短板，已在多领域落地验证。
Claude Opus 5 发布：Fable 5 一半的价格，更强的编码能力
Anthropic 发布 Claude Opus 5，定价与 Opus 4.8 相同，价格是 Fable 5 的一半。它在编码、知识工作和推理上表现出色，虽有不足，如速度慢、幻觉率较高，但提供多种 effort 等级，成本低，安全对齐性好。
Fable 5 订阅权限又续了 5 天！与其被吊着，我找了个账单只有 1/3 的替代方案
Anthropic将Fable 5订阅权限延长至7月12日，但使用不稳定且价格贵。作者介绍OpenSquilla 0.5.0 Preview，其多模型集成协作方案用国产模型组队，成本低且分数可与Fable 5打平，不过也有适用边界。