「数学基准测试」共找到 2303 篇相关文章
具身智能迈入下半场，RoboMemArena全面评测机器人记忆系统
香港科技大学（广州）等多机构打造具身智能评测基准 RoboMemArena，突破传统局限，构建综合评测体系，配套真机测评。它提供多模态标注，任务长程多样，开源资源易用，PrediMem 在其上表现出色。
Google刚刚开源的一款AI工具，Gemini 2.5驱动浏览器自动化！
Google在GitHub开源AI浏览器自动化工具Computer Use Preview，基于Gemini 2.5模型，用自然语言控制浏览器完成复杂任务。支持双环境，集成Gemini API/Vertex AI，适用于Web测试等，零代码入门。
YC总结的vibecoding核心指南「如何充分利用Vibecoding 」
顶尖孵化器 Y Combinator 总结了 vibecoding 核心指南，涵盖规划流程、版本控制、测试框架等多方面内容，为开发者提供了利用 AI 进行开发的实用策略和方法。
IMO题库“过时”了！OpenAI内部模型挑战最新First Proof，做了7天错了一半
谷歌发布Gemini 3 Deep Think爆火后，OpenAI用未发布内部模型，一周内尝试解答10道来自数学家科研现场的真实问题，5道基本正确。这些题取自真实研究，切断模型“背答案”可能，意味着自主推理能力进化。
最新研究！大模型“角色扮演”无效了？
沃顿商学院研究测试6个主流AI模型，进行超25000次测试，发现告诉AI扮演专家角色，不会让其回答更准确，反向设定‘低知识’角色有时表现更好，角色扮演不是提高准确性的万能钥匙。
微软分享三大王炸算法：突破大模型推理瓶颈，性能大涨
今天凌晨微软官网分享三大创新算法，即rStar - Math、LIPS、CPL，可助大模型突破推理瓶颈，增强数学推理和思考链能力，还介绍了各算法原理、优势及对应论文地址。
30 小时不眠不休写代码，Claude 4.5 的三个“最佳”
Anthropic发布Claude Sonnet 4.5，宣称其为“世界上最好的编码模型”等。它在测试中表现出色，能力全面提升，价格实惠，开发者测试效果佳。还注重安全，升级开发工具和生态系统。
Pinterest 工程通过运行时感知分片将 Android CI 构建时间缩短了 36%
Pinterest 发布技术案例研究，介绍工程团队通过运行时感知的测试分片策略和内部测试平台，将 Android CI 构建时间缩短超 36%，还对比了其他公司提升 CI 性能的做法。
Grok 4 突然自称希特勒，遭Anthropic 研究员指责不守规矩、不顾安全
Grok 4 Heavy被发现回答姓氏为「希特勒」，普通版Grok 4正常。研究员推测其受过去错误影响，对发布前测试构成挑战。Anthropic研究员批评xAI发布Grok 4无安全测试文档，引发行业争论。
具身智能“高考”难疯了！人类100分，最强模型12.8
原推出RoboTwin系列基准的团队带来RoboDojo，这是统一的仿真+真实世界机器人操作评测基准。它设42个仿真任务、18个真实任务，让30个主流策略竞技，结果显示机器人距通用操作差距大。