「SOTA结果」共找到 885 篇相关文章
o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界
GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。
谷歌开源高效文本提取 Python 库LangExtract
谷歌开源 Python 库 LangExtract，能用大语言模型从非结构化文本提取结构化信息。它定位精确、输出可靠，支持多模型，适应多领域，还能处理长文档，通过示例介绍了使用方法。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
纳米AI，拯救被电商套路榨干的2小时
作者买吸尘器时在电商平台耗费大量时间，凸显购物决策难题。纳米AI超级搜索智能体登场，能精准分析需求、筛选信息、比价等，还能制作AI视频和儿童教育内容，交互体验也有创新。
SFT+RL双管齐下：ReasonGen-R1如何破解文生图「指令不遵」难题？
上海科技大学等机构提出 ReasonGen-R1 框架，结合链式推理监督微调与强化学习，提升自回归图像生成模型推理和创作能力，已全面开源。介绍了其训练阶段、实验结果及推理链模式。
你永远叫不醒装睡的大模型！多轮对话全军覆没，性能暴跌39%
研究人员进行超20万次模拟实验，耗资5000美元，评估大模型在多轮对话中的表现。结果显示，大模型在多轮对话中性能明显低于单轮对话，平均下降39%，还出现“对话迷失”现象。
用大模型检测工业品异常，复旦腾讯优图新算法入选CVPR 2025
AI模型用于工业异常检测获新SOTA，相关论文中稿CVPR 2025。复旦大学、腾讯优图实验室等机构研究人员设计基于扩散模型的少样本异常图像生成新模型DualAnoDiff，实验显示其性能更优。
大模型结构化推理优势难复制到垂直领域！最新法律AI评估标准来了，抱抱脸评测集趋势第一
多个机构研究人员联合发布全新多语言法律推理基准数据集LEXam，它含4886道题，每道长篇题有答案和推理路径。研究显示现有大模型应对法律推理难，LEXam引入评估新模式，还对不同模型做了测试。
大厂程序员：AI正在将我们变成高速流水线工人，受不了了
亚马逊鼓励程序员用AI，结果成变相强迫，人员减半、项目提前，程序员只能让AI写代码，但AI编程正确率低，让工作更繁杂，职业晋升也成问题。亚马逊官方称AI能提效，双方看法不一。
AgentA/B：用AI模拟用户，真人AB测试或将成为历史
宾夕法尼亚州立大学和亚马逊合作研发AgentA/B测试框架，用大语言模型生成虚拟用户模拟真实行为，成本低、速度快，还能绕开真实流量测试。虽有人质疑，但它或改变传统AB测试。