「基准榜单」共找到 1481 篇相关文章
首个时空时序推理框架：让大模型真正读懂时空数据 | ACL'26
STReasoner是首个结合时间序列、空间结构和自然语言的推理模型，能识别异常源、追踪影响路径。研究团队构建数据生成框架和评测基准，采用三阶段训练策略，模型在多任务表现优，成本低且泛化能力强。
复旦北大联合美团LongCat提出TDAR：用“粗思考，细求证”破解Block Diffusion的速度精度悖论
复旦大学、北京大学联合美团LongCat提出Block Diffusion推理模型Test-Time Scaling新框架TDAR，引入‘粗思考，细求证’范式与有界自适应置信度解码，打破速度与精度零和博弈，在多基准测试表现出色。
时隔多年，AI芯片又是华为发布会主角了
华为全联接大会上，轮值董事长徐直军带来全球最强算力超节点和集群。公布昇腾、鲲鹏芯片未来2年演进规划，还开创灵衢互联协议。虽单芯片受限，但集群层面有望实现超越。
GUI定位还在玩「非黑即白」？浙大团队提出GUI-G²，显著提升GUI智能体定位性能
在人工智能领域，GUI 智能体成技术风口，但现有 GUI Grounding 方法有缺陷。浙大团队提出 GUI - G²，将 GUI 交互转变为连续空间建模，在三个主流 GUI 定位基准测试中表现亮眼，重新定义了 GUI 交互本质。
终端已死，Agent终端万岁：Warp一天暴涨1.2万星背后的开发者工具革命
4月29日，Warp在GitHub单日涨近12000星，总星数破4万。其定位从普通终端转变为Agent式开发环境，这表明开发者对AI原生终端需求真实且被低估，Agent化已成产品核心竞争力。
The Batch: 919 | 本地 AI 能否替代云端？
大语言模型预测输出需求推动数据中心扩建，研究人员探讨本地小型模型能否分担算力负荷。斯坦福与Together AI团队研究发现，本地系统单瓦特智能量与云端有差距但在缩小，若准确率相近可节省能耗。
The Batch: 916 | Gemini 强势领跑
谷歌更新旗舰 Gemini 模型，推出 Gemini 3.1 Pro Preview，以相同价格实现性能跃升。它在多项基准测试中领先，性价比超对手，虽部分测试落后竞品，但提升或源于模型质量改进，成本效益策略值得关注。
展览聚焦｜类型叙事中的技术、情感与未来主义
中间美术馆正展出“抛锚歌单”，汇集16位中瑞艺术家作品。本文聚焦艺术家杨迪，他以影像和装置为媒介，借类型文学与电影叙事框架探讨科技时代困境。其作品揭示虚拟迁徙代价，还分享创作相关看法。
AI终于学会「读懂人心」，带飞DeepSeek R1，OpenAI o3等模型
威斯康星大学麦迪逊分校联合清华大学的研究《MetaMind: Modeling Human Social Thoughts with Metacognitive Multi-Agent Systems》，将元认知理论融入LLM架构，让AI“读懂人心”。其框架分三阶段，还有动态社交记忆，在多基准测试表现出色。
2025年了，AI还看不懂时钟！90%人都能答对，顶尖AI全军覆没
AI基准ClockBench测试AI读模拟时钟能力，人类平均准确率89.1%，11个主流大模型最好仅13.3%。研究展示了LLM局限性，分析了可能原因，还对比了不同模型表现及在各类问题上的差异。