「AI基准测试」共找到 10907 篇相关文章
实证：现在的LLM根本不会Reasoning！
论文指出当前大推理模型（LRM）如DeepSeek - R1等可能只是在表演“思考秀”，遇到复杂问题就崩溃。研究者用4个可控谜题测试，有三大颠覆发现，还揭示思考过程的荒诞现象，直指行业痛点并给出发展方向。
对话刘靖康：镜头之外的「智能」和「审美」，才是 Camera Agent 的主战场
影石 Insta360 创始人刘靖康在 AGI Playground 2026 上提出未来影像设备“前轻后重”趋势。他介绍了 Cameraman 愿景，涵盖 Imaging、AI、Robotics 三技术方向，还提到云端 AI 剪辑服务情况及对行业多方面的见解。
刚刚！Sam Altman官宣GPT-5今夏登场：超级智能更为重要
在OpenAI官方播客节目中，Sam Altman透露GPT-5今夏或登场，还探讨AGI定义、“星际之门”算力项目、AI硬件等。如模型命名或改，算力项目解决瓶颈，重视超级智能等。
企业数据“LLM ready”与“小Palantir”们的崛起 ｜ AGIX PM Notes
文章指出当前 AI 仍处准备阶段，企业数据未就绪是落地大障碍，深层问题是流程 AI 原生化转型。还介绍本周市场、多家科技企业动态，以及巴菲特和芒格对 ETF 的看法及投资建议。
用GPT-6 Astra就能直接控制机器人？可具身真机没那么简单
本文讨论GPT-6 Astra接入机器人控制取得亮眼单项成绩，但真机测试暴露不安全不稳定问题，介绍穹彻智能发布的开源RoboRSI多智能体自进化框架，解决具身智能落地核心痛点，探讨大模型时代具身智能行业的发展方向
美团LongCat扎扎实实做了件难事：LLM数学新天花板AMO-Bench
美团LongCat团队联合高校推出AMO - Bench，用50道原创奥赛级难题评估LLM数学能力。它解决现有基准测试痛点，经四重把关构建，测试显示顶级模型表现不佳，也揭示模型提升空间大。
The Batch: 852 | 加州重新制定人工智能监管框架
加州人工智能前沿模型联合政策工作组发布《加州前沿人工智能政策报告》，为立法者提供监管尖端AI模型的政策原则。报告聚焦前沿模型监管，提出综合多源证据、鼓励信息披露等结论，还探讨了美国AI监管现状。
发布仅9天的Jev据称估值破百亿美金，硅谷也看好薄利多销？
本文报道AI初创公司TypeSafe AI发布的模型Jev上线仅9天，就传出投资者给出超百亿美元估值，剖析资本追捧低价薄利模式的原因，同时梳理业内对其护城河的质疑，探讨大模型赛道资本动向。
Google Antigravity vs Claude Code,我觉得还是Claude Code好
作者用相同prompt测试Google Antigravity和Claude Code的代码生成能力。Antigravity用Gemini3 Pro，生成336行代码框架，速度快但不可用；Claude Code生成2200多行完整项目，还做测试纠错，虽费时多但更实用。
4比0横扫Grok 4，o3强势夺冠，首届大模型对抗赛结果出炉
备受AI圈关注的首届谷歌Kaggle AI Chess大赛落幕。o3以4 - 0横扫Grok 4夺冠，Gemini 2.5 Pro 3.5 - 0.5击败o4 - mini获季军。此前Grok 4被视为夺冠热门，决赛却频频失误。