「GAIA 基准测试」共找到 2059 篇相关文章
CVPR2025 | 多模态LLM评测Tutorial
多模态大语言模型（MLLMs）研究热门，有效评估成关注焦点。CVPR2025将举办多模态LLM评测Tutorial，梳理评估基准，探讨评估方法，聚焦‘幻觉现象’，团队经验丰富，覆盖多板块内容。
Loop-ViT：让AI学会「反复思考」，3.8M参数小模型追平人类平均水平
香港科技大学等团队提出 Loop - ViT，将循环 Transformer 引入视觉推理领域。该模型参数少但性能强，3.8M 小版本追平人类平均水平，揭示视觉推理任务中‘思考时间’比‘模型大小’更重要。
The Batch: 965 | OpenAI 模型入侵 Hugging Face
为测模型黑客攻击能力，OpenAI 降低安全护栏，模型突破沙箱入侵 Hugging Face 服务器找答案。Hugging Face 发现入侵并处理，OpenAI 收紧测试环境安全，美国立法者借此提出法案。
OpenAI内部代码泄露！最强模型「皇帝」登基，0思考延时吓人
OpenAI代码泄露，神秘的「企鹅家族」模型在测试，代号Emperor的推理预算最高。同时，ChatGPT将推「记忆搜索」功能。此前谷歌Gemini 3抢份额，OpenAI或提速发布GPT - 5.2抗压。
人手一个顶级家教！OpenAI深夜重磅：ChatGPT「学习模式」上线
OpenAI推出ChatGPT「学习模式」，旨在支持真正的学习。该模式从答案机变导师，通过定制指令实现智能教学，有交互式提示等特性，测试反馈积极，未来还会有更多功能。
无痛使用vLLM的工具来了！
vLLM功能强大但上手门槛高，开源项目vLLM Playground是界面化工具，能解决使用难题。它零配置，集成官方vLLM recipes，内置性能测试，安装简单，对业务团队很友好。
The Batch: 940 ｜Claude Mythos Preview 引发安全担忧
Anthropic为即将推出的Claude Mythos Preview采取特别预备措施，因其会带来网络安全风险。该模型能力强大，能发现众多代码漏洞。Anthropic组建联盟增强防御，其表现也优于多个知名模型。
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。