「测评榜单」共找到 761 篇相关文章
o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界
GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
WAIC期间，蚂蚁数科金融推理大模型发布会未开，论文已上线。其新模型Agentar - Fin - R1有8B和32B版，在金融测评集超DeepSeek等，还兼顾专业与通用，蚂蚁数科还提出评测基准Finova。
5款大模型考「山东卷」，Gemini、豆包分别获文理第一名
近日，字节跳动Seed团队用2025年山东高考真题对5款大模型进行全科闭卷测评。结果显示，豆包Seed1.6 - Thinking获文科第一，Gemini 2.5 Pro获理科第一。大模型一年间进步显著，未来或融入更多领域。
让GPT-4.1「头皮发麻的考试」！OpenAI给大模型上强度，AI能赢吗？
OpenAI 公布 MRCR 评测标准数据集，其针对 AI 模型上下文能力进行「奥运会」级别测评。MRCR 提升了测试难度，能揭示 AI 能力边界，推动模型发展，帮助更合理应用技术。GPT4.1 在一些测试中表现出色，未来 AI 能力上限充满可能。
“同事.skill”不用写了，爱马仕 Hermes 主动“蒸馏”你，还让开发者集体抛弃 “龙虾”？！
近日，Hermes Agent 在国内爆火，获超 5.2 万 stars 且还在增长。它与 OpenClaw 不同，采用单 Agent 架构，有学习循环和分层记忆系统。背后公司 Nous Research 目标是打造抗衡 OpenAI 的开源模型，还引入区块链解决算力问题。
R1/Qwen训练新范式：无需继续训练，直接“算”出权重，提效500%
DeepSeek - R1爆火让RLVR成大模型后训练焦点，但训练代价高昂。学者发现RLVR中LLM权重和输出概率呈线性变化，提出“权重外推”等方法，实现最高6.1倍训练加速，RL - Extra在多榜单展现高效率。
黄仁勋手撕「AI泡沫」论！英伟达570亿铁拳暴击，显卡全断货
英伟达Q3 2026财报显示单季度营收达570亿美元，数据中心业务同比狂涨66%。黄仁勋称AI不是泡沫，而是计算范式从通用CPU转向加速式GPU计算的必然。当前多数AI公司估值高、收入低，英伟达作为‘卖铲人’大获全胜。
马斯克悄然发布Grok 4.1，霸榜大模型竞技场所有排行榜
马斯克发布Grok 4.1，同时霸榜大模型竞技场第一和第二。它在思考与非思考模式表现出色，还在新专家榜和职业榜霸榜。此外，它在情商测试表现佳，还加强快速回复、改善幻觉问题，已向所有用户开放。
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。
让NCCL性能起飞的symmetric memory是啥黑科技？— part2
本文是NCCL 2.27新特性系列的第二部分，主要分析symmetric primitives的实现机制，介绍其提供的接口，如获得symmetric ptr、barrier、send、recv、llEpoch控制等接口，还解析了底层结构内存布局、各接口工作机制及LL Buffer划分机制等。