「自我评估」共找到 1049 篇相关文章
OpenAI很看好！首个SWE-1模型发布，软件开发或将提速99%
Windsurf发布首个前沿模型SWE-1，目标将软件开发提速99%。它不只能写代码，还能协助软件工程流程。有三个系列模型，SWE-1运行成本低，SWE-1-lite对所有用户开放，SWE-1-mini适用于低延迟场景。
RSI拿下C位：240页2026年度AI技术报告
本文解读第九版244页的《2026年度State of AI Report》，核心指出RSI（递归自我改进）已成AI研发核心趋势，涵盖AI研发竞争、产业、安全、前沿预测等多方面重磅内容。
RSI离我们有多远？这家中国团队给出了第一梯队的工程解
目前行业探讨大模型的RSI时，常陷入思维定势。EvoMap团队没有盲目跟风，而是提出极具现实意义的工程新路径，构建自进化智能体，让经验在网络流转，还以硬核数据证明其体系有效性。
一篇论文改写AI科研评价规则！中国公司拿出实践数据，双榜第一、成本更低
今年科技巨头入局AI4S，想打造“AI科学家”。8月19日《Measuring AI Scientists: From Exams to Discovery》论文提出评价范式。深度原理MIRA平台是现实样本，在评测中表现优异，沉淀闭环数据。
Karpathy实测Opus 5：读一段《魔戒》，10美元直出中土世界！
Andrej Karpathy 用 Opus 5 结合《指环王》开篇文字，花约 10 美元让其渲染 3D 游戏。Opus 5 两小时写出 5500 行代码生成 3D 世界，虽粗糙但证明 AI 强大。不过，LLM 无法高效审查自己工作，这是弱点。
ICML 2026 | 大模型内部也会长出「情绪树」，规模越大越懂人心
ICML2026 论文指出，大语言模型内部会自然形成类似人类心理学模型的「情绪树」，模型越大，情绪树越复杂，且在销售等任务上表现更好。同时，模型的情绪结构受身份设定影响，存在与人类相似的情绪识别偏见。
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
π0.7来了！涌现出组合泛化、跨本体迁移能力，VLA又行了？
具身赛道玩家 Physical Intelligence 发布新模型 π 0.7，它展现出组合泛化和跨本体迁移能力，还能通过知识蒸馏学会优化技巧。其强大源于杂数据和细提示，未来有望解决复杂任务。
准确率轻松翻倍！不烧钱微调，AI靠“写日记”实现能力跃升
Memento - Skills系统抛弃大量算力微调模型参数的方式，靠读写反思、“写日记”式学习机制，在不改变模型参数下实现能力跃升，在GAIA和HLE基准实验中准确率显著提高。
清华团队首发OpenClaw研究报告！
清华沈阳教授团队发布《OpenClaw发展研究报告1.0》和《OpenClaw自我研究报告1.0》，对OpenClaw做深度解读。团队在OpenClaw领域形成完整闭环，包括理论研究、模型研发等多方面工作。