「多模态评测」共找到 1537 篇相关文章

算法论文8

大模型解数学题是真懂还是 “死记硬背”?|首个反例驱动的数学推理基准揭穿 “刷题式假象”!

随着大语言模型在数学领域应用渐广,其是否真具备数学推理能力成焦点。清华等团队提出反例推理评测基准COUNTERMATH,测试20+主流模型,结果不佳,而小样本微调能显著提升模型能力。

深度学习自然语言处理
产品应用8

云知声发布U2-Flash,要争“大模型主力位”|甲子光年

本文报道云知声发布U2-Flash大模型,基于原有U2基座,通过创新后训练方案提升Coding、Agent等复杂任务能力,多项评测比肩头部模型,目标成为企业真实生产任务的主力大模型。

甲子光年
算法论文8

如何判断AI视频真假?综述动态、可溯源、可解释的检测体系 | ACL26

AI视频生成技术发展快,现有检测方法难满足需求。新综述提出‘事实保真度验证’目标,梳理四层检测框架,涵盖底层线索、时空一致性等,强调多层证据耦合与可解释性,还分析评测指标与数据集。

新智元
产品应用8

从顶级三甲到医疗巨头,他们为何都选择同一个AI“大脑”?

AI医疗迎来爆发,政策、技术、需求共振催生千亿蓝海。智诊科技WiseDiag医学多模态大模型成医疗企业破局关键,它有三大核心能力,适配多场景,还有低风险接入方案,现开放API免费试用。

AI寒武纪
开源动态8

DeepSeek在Agent上做了件大事!

昨天DeepSeek发布V3.2正式版,强化Agent能力并融入思考推理,其在Agent评测达开源模型最高水平。文中分析Agent成开源‘心病’的痛点,介绍DeepSeek相关解决策略及成果,还给出使用示例。

PaperAgent
开源动态8

76%程序员依赖AI?代码安全挑战解析

GitHub报告显示76%程序员用AI编程,代码安全成挑战。腾讯等团队建A.S.E评测框架,有项目级代码生成等优势,能评估代码安全、质量与稳定性,未来将扩充功能,邀开发者参与。

腾讯技术工程
算法论文7

研究表明:资深开发者在使用AI工具时,完成任务的时间比不使用时延长了19%。

研究通过随机对照试验,发现2025年初资深开源开发者使用AI工具完成任务时间比不使用时延长19%。当前衡量AI能力多依赖标准化评测,可能高估或低估其真实能力,研究旨在更准确评估。

宝玉AI
产品应用7

美团发1.6万亿参数新模型,通用Agent测试超Opus-5,国产芯特别优化

美团发布面向长程智能体任务的多模态模型 LongCat-2.5,总参数 1.6 万亿、激活 480 亿,官方称其通用 Agent 测试超 Opus-5。

智东西
推荐文章9

康奈尔大学Steven Waslander:从「堆数据」到「用记忆」,拆解 Agentic 仓库机器人的长期记忆难题 | IROS 2026

本文整理康奈尔大学Steven Waslander教授在IROS的主旨演讲,针对智能机器人上下文窗口限制的瓶颈,分享其团队在仓库机器人长期记忆领域的两项核心研究,给出多模态记忆检索与环境动态检测方案,具备工业落地参考价值。

AI科技评论
开源动态7

数学编码超越O3-high,英伟达版「DeepSeek R1二代」推理模型开源~

Nvidia开源OpenReasoning-Nemotron系列模型合集,采用Qwen2.5架构,基于500万条轨迹训练。评测输出长度最高64K token,多版本刷新SOTA。其‘heavy’模式有独特能力,32B版在数学与编程基准超越O3(High)。

PaperAgent