「Table30基准测试集」共找到 1177 篇相关文章
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
具身智能「全明星日」来袭！智源组局30+行业掌门人，激辩机器人终极命题
2025年是具身智能「爆发之年」。智源具身2025 OpenDay上，30多位行业大佬激辩，议题包括具身架构、数据获取、硬件瓶颈、应用落地等，智源还开源多项成果助力行业发展。
从Debugger到Developer : 低代码时代新基准NoCode-bench，SWE-Bench作者力荐
浙江大学牵头联合多机构推出全新评估基准NoCode - bench，直面自然语言驱动功能添加任务，发现当前最佳LLM成功率仅两成。它构建严谨，任务挑战大，指明AI软件开发改进方向，且已开源。
直接免单！阿里千问30亿请客吃喝玩乐，春节AI大战彻底白热化
阿里千问APP官宣砸30亿开启「春节请客计划」，2月6日起以「免单」请全国人民吃喝玩乐，阿里生态「全家桶」加入。千问已接入阿里生态，借补贴加速AI Agent普及，有望凭「免单+服务」成「生活万事通」。
奥特曼30亿刀收购案黄了！谷歌迅速出手：Windsurf核心团队打包带走
OpenAI豪掷30亿美元收购AI编程初创公司Windsurf一事告吹，谷歌迅速出手，将其核心团队打包带走，上演“雇佣式收购”。Windsurf团队将参与谷歌Gemini项目，负责编程Agent开发。
真实科研水平集体不及格！全新基准SFE给主流多模态LLM来了波暴击
上海人工智能实验室AI4S团队推出SFE评测基准，首创三级评估体系，涵盖五大科学领域66项任务。评测显示主流MLLMs在高阶科学任务有挑战，不同模型、学科表现有差异，还构建了SciPrismaX平台推动AI科学评估生态发展。
迈向原生全模态AI智能体：人大&小红书发布OmniGAIA新基准
中国人民大学等团队推出 OmniGAIA 新基准及 OmniAtlas 训练框架。OmniGAIA 含 360 个高难度任务，覆盖多领域。实验显示闭源与开源模型差距大，OmniAtlas 显著提升开源模型表现，并指出未来全模态智能体发展方向。
真实评估！北理发布全球首个「全场景教育」基准，支持4000+情境
北京理工大学高扬老师团队推出EduBench，是全球首个「全场景教育」基准，涵盖9大教育场景、12个评估维度、超4000个情境。团队将数据、模型等全面开源，评估发现大模型在特殊教育场景有不足，还提出多源知识蒸馏等方法。
303页年度最佳AI Code综述：阿里、字节、快手30家顶级机构出品
分享303页《从代码基础模型到智能体与应用：代码智能实践指南》，由近30家顶尖机构出品。介绍2021 - 2025年代码大型语言模型发展，分析通用与代码专用LLM能力，阐明研究 - 实践差距，还开展实验。
Claude Sonnet 4.5来了！能连续编程30多小时、1.1万行代码
十一假期前，DeepSeek 开源新模型 V3.2 - Exp，深夜 Anthropic 发布 Claude Sonnet 4.5，自称世界最好编码模型，自主编码时长超 30 小时，还带来系列产品升级，在多方面表现优异。