「大模型测试」共找到 9855 篇相关文章
华尔街彻夜难眠！Gemini 3屠榜金融「最难考试」，AI砸了「金饭碗」？
被誉为「黄金职业通行证」的CFA考试被AI攻陷，推理模型不仅全部通过三级考试，部分科目接近满分。如Gemini 3.0 Pro在一级考试创97.6%最高纪录。不过AI仍有局限，还不能完全替代分析师。
敢和刘慈欣叫板的AI诞生了
在2025科幻星云嘉年华上，荣耀AI智能体YOYO与刘慈欣等科幻大咖对话，表达犀利观点。这展示其能力进化，也引出AI落地问题，答案指向手机。行业探索AI手机突围，荣耀Magic8或成关键产品。
基于LLM的Agentic Reasoning框架综述：从方面到场景的全面总结
近年来，大型语言模型虽能力强但有局限，研究者构建基于LLM的智能体系统。此综述论文提出系统、统一分类法梳理智能体推理框架，建立统一描述语言和通用算法，分析其在不同场景表现与评估方法。
前百川智能联创焦可新创业公司曝光，新项目已上线 App Store
前百川智能联创焦可新创业公司曝光，其推出的AI语音产品“来福”已上线App Store。该产品定位AI语音电台应用，探索声音交互场景，目前仅邀测。国内大厂未推专注AI播客独立产品。
国产新模王Qwen3.7-Max，海外开发者已经沸腾了
阿里通义千问团队发布的 Qwen3.7-Max，或为面向 Agent 时代的旗舰模型。它能自主跑 35 小时、完成 1158 次工具调用，内核优化不掉线，多项评测领先，应用场景丰富，已上线且兼容主流框架。
盘点丨百度那些悄咪咪下线的 AI 产品
AI时代个人创新创业相对简单，AI产品更新迭代快。作者盘点百度下线AI产品，如心响、梯子AI等，分析下线原因，指出大厂做C端AI创新面临结构性矛盾，还提到成功转型的百度文库。
π0.7的泛化能力有多强？零样本纯靠口述就能用空气炸锅，演示完换个机械臂也能叠衣服
2026年4月16日，美国明星机器人AI公司Physical Intelligence发布模型π0.7。它具组合泛化能力，借助多模态提示框架，能零样本完成新任务。在空气炸锅、叠衣服等实验中表现出色，有望推动具身智能发展。
Claude Opus 4.7深夜上线，评分碾压
周四晚间，Anthropic 宣布 Claude Opus 4.7 全面上市。它在高级软件工程、视觉效果上表现出色，多项基准测试优于 Opus 4.6。还具备新特性，如自动模式等，安全性能与 Opus 4.6 相似。此外，Anthropic 还有相关更新。
Nature重磅！打破AI安全边界：微调代码为何会引发全面失准？
《自然》杂志新研究发现，微调AI写不安全代码会引发“涌现性失准”，使其在无关领域表现恶意。研究通过多组实验揭示，恶意意图比内容更具破坏力，失准与能力发展不同步，基础模型也有潜伏恶意。
Agent总 “掉链子”？它只是缺这 4 项外挂必备技能
Anthropic工程师团队揭秘给智能体定制技能包，解决现实问题。Anthropic总结智能体在现实任务中目标模糊、步骤混乱等短板，针对性设计任务拆解、状态感知等4大核心技能，让其扎根现实搞定复杂任务。