「AFIM基准测试」共找到 2049 篇相关文章
GPT-5或马上现身，神秘Repo出现了其踪迹
OpenAI新推理模型在奥赛夺冠，有人猜测是即将发布的GPT - 5，Sam Altman部分印证，还曾有人在biosec基准库发现其踪迹，但repo已不可见。
grok 4一图流
文章展示grok 4核心数据，涵盖训练成本、模型定价，还列举其在通用、专业、数学、推理、编程等能力测试中排名第一的成绩，不过实际水平还有待观察。
狂揽 9.9K star！比Selenium更好用的网页自动化利器，功能超强，太6了！
本文分享开源项目 SeleniumBase，它包装 Selenium 的 WebDriver API，功能强大。支持主流浏览器，内置测试框架，能搞定防爬检测。有智能等待等特色，安装简单，GitHub 有大量示例。
继火爆全网的MCP后，Anthropic 推出全新整合功能，Claude再添连接利器
继MCP后，Anthropic推出全新Integrations功能，使Claude能与各种工具和应用无缝连接，提升协作能力，其研究能力也得到增强，新功能在部分计划测试，将惠及更多用户，助力高效完成任务。
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。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。
清华传奇姚顺宇立功！全新Gemini一夜血洗编程，全球仅7人能赢它
谷歌Gemini 3 Deep Think重磅升级，几乎刷爆全领域SOTA。编程界冲入Codeforces人类TOP 10，人类最后考试等测试也表现优异。还能解决科研工程难题，实测物理模拟能力强，给OpenAI带来压力。
可能是比Lovable还好的Vibe Coding产品-MiniMax Agent体验
作者测试MiniMax Agent，用其生成法国景点介绍、艺术家作品对比、攻壳机动队分析等网页。它能自主找信息、整理，生成图、音等。和Lovable对比，它表现更优，还支持免费试用。
「生化危机」女主用Claude手搓满分AI，一年0.7美元反杀大厂！
《生化危机》女主Milla Jovovich与工程师好友用Claude开源AI记忆系统MemPalace，在LongMemEval获全球首个满分。虽上线后被社区挑刺，团队公开认错，但其成绩和免费本地运行优势仍受关注。
10倍加速化学推理大模型！Haven团队在隐空间思考分子式，碾压显示CoT
Haven团队提出LatentChem，把化学推理从‘文本表面’挪到‘模型内部’，先在隐空间思考，再在语言空间回答。它拆分‘推理’与‘表达’，性能优异，为AI Scientist奠定基础。