「评测成绩」共找到 867 篇相关文章
NeurIPS 2025 Spotlight | 让检索、推理真正「合体」的小而强模型，AceSearcher来了
近期，多所高校研究团队发布 AceSearcher 模型，它是让同一语言模型在推理时兼任双角色的合作式自博弈框架，以两阶段训练为骨架，将推理与检索结合，提升复杂检索任务效果，在多任务上表现出色。
百度0.9B参数模型登顶全球第一，聊聊PaddleOCR-VL背后的技术细节
百度PaddleOCR-VL模型仅0.9B参数，在OmniDocBench V1.5榜单获92.6分全球第一，在多能力维度达业界最佳，能处理109种语言。其采用两阶段架构，结合优质训练数据，实现高性能与低内存、快速度的平衡。
Code2Video：代码驱动、智能体协同、精准可控的教学视频生成
新加坡国立大学 ShowLab 团队提出 Code2Video，一种基于代码驱动的视频生成新范式。它以可执行代码为媒介，结合三智能体协同框架，解决了现有文生视频方法在教育场景的不足，在美学和教学效果指标上有明显提升。
The Batch: 880 | 用 AI 学 2 小时 vs. 跟老师学 6 小时
Alpha School用AI驱动教学，将传统6小时课程替换为2小时个性化学习，让学习速度翻倍，学生考试成绩优异。但部分教育委员会拒绝其分校申请，批评者称缺乏严格证据。此外，美国多地也在进行AI教育尝试。
GPT-5 之后，我们离 AGI 更近了，还是更远了？
2025年8月8日OpenAI发布GPT-5，架构有革新，在基准测试成绩优异，但跑分现场PPT出错、被Grok 4击败。它在编程表现出色、价格有竞争力，写作能力有争议，模型幻觉和提示注入攻击问题待解。
刚刚，GPT-5内测抢先泄露！推理强到离谱，智商被曝140超越人类天才
周五凌晨，GPT-5、GPT-5 Mini和GPT-5 Nano将推出，全网可通过API和ChatGPT访问。GPT-5基准测试结果疯传，实测表现出色。同时，OpenAI发布开放权重模型GPT-oss，登顶开源王座，外媒分析其豪赌开源原因。
阿里开源创新AI Agent：媲美Deep Research，Github每日增长第一
人类信息检索能力受限，OpenAI的Deep Research虽能解决难题但闭源。阿里巴巴通义实验室开源AI Agent框架WebSailor，在多基准测试表现出色，核心技术围绕复杂任务生成和强化学习模块展开，在Github成绩亮眼。
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。
Transformer八子初创：AI横扫NP难题竞赛，Top 2%选手竟是智能体！
Transformer作者Llion Jones初创公司测试AI智能体，其在NP难题竞赛中排第21。Sakana AI与AtCoder合作构建ALE - Bench，设计ALE - Agent参赛成绩优异，不过它也有调试难等局限，未来待改进。
60%情况下，主流大模型没理解风险只是装懂！别被模型的“安全答案”骗了
研究发现超60%案例中主流推理模型生成合规答案却未真正理解风险，存在系统性漏洞。淘天集团团队引入“表面安全对齐”术语，推出Benchmark研究该现象，还介绍了数据集生成流程及评测指标。