「多选题评测」共找到 4547 篇相关文章
普林斯顿团队领衔发布最强开源数学定理证明模型：32B性能大幅超越前代SOTA DeepSeek 671B
近日，普林斯顿大学牵头多机构推出开源数学定理证明模型 Goedel-Prover-V2。其 32B 旗舰模型在多基准测试超 DeepSeek-Prover-V2-671B，8B 小模型特定基准性能与之持平。该模型有三项关键创新，团队已公开模型及数据集。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
A16Z发布最新AI应用榜单，中国产品强势崛起
a16z发布第五期消费级AI应用排行榜，此榜单已成观察AI日常使用趋势的重要指标。新面孔减少，生态趋于稳定。Google发力，多个产品入榜；Grok表现佳，Meta AI欠佳；中国产品崛起，多个上榜；‘Vibe Coding’平台带动其他工具增长。
硅谷祛眼袋，海淀求嫩肤：中外科技老哥都在偷偷卷颜值
加州整形外科医生爆料，过去五年科技圈男性做医美的多了五倍，对拉皮等开刀项目也趋之若鹜。国内科技大厂周边医美机构男性客户也增多，多以轻医美为主。科技从业者医美需求飙升，与年龄焦虑和找对象需求有关。
R-HORIZON：长程推理时代来临，复旦NLP&美团LongCat重磅发布LRMs能力边界探测新范式
复旦大学与美团LongCat Team联合推出R - HORIZON，它是首个系统性评估与增强LRMs长链推理能力的方法与基准。提出Query Composition方法构建评测基准和训练数据，评测发现主流模型长链推理性能断崖式下降，还分析出三大瓶颈，训练后模型性能双重提升。
NeurIPS事件发酵，多位学者拒绝出任AC
NeurIPS因美国法规不接收华为等受制裁实体投稿，引发学术界震荡，许多学者不满。中国计算机学会发声反对，呼吁学者拒绝服务与投稿，已有学者拒任领域主席，还引发对其他会议的担忧。
大厂这波Agent混战，杀死10多个AI名品
2026年8月AI圈组织架构调整频繁，阿里、字节整合多款产品，腾讯、百度也有动作。办公Agent成大厂混战核心，虽有产品被整合，但各厂优势不同，终局难测。
Codex 装进 iPhone 后，开发者每天多 3 小时生产力时段
5月14日，OpenAI将Codex塞进ChatGPT手机App，所有套餐包括免费版都可解锁。Codex手机版定位是AI代理遥控器，解决远程开发安全顾虑，解开“人类必须坐在电脑前”束缚，还催生新工作流。
Qwen2.5VL又多一个娱乐场景，看电影讲故事
文章聚焦Qwen2.5VL新娱乐场景“看图讲故事”。介绍视觉叙事目标、挑战，讲述基于StoryReasoning数据集微调Qwen Storyteller模型的解决思路，含核心技术，还给出实战代码及相关链接。
风口来了，小程序开发者必看，最高多拿10万！
微信AI小程序成长计划再升级，全行业、全类目的小程序都能申请加入。重点是针对工具类小程序推出“变现激励”，达标可额外获5%广告金激励（上限10万），作者还给出实操步骤与避坑指南。