「学术基准测试」共找到 2189 篇相关文章
谷歌开源基于物理模拟的气象模型，能预测暴雨、台风、大干旱
传统通用循环模型处理小尺度有局限，谷歌开源基于物理模拟的神经通用环流气象模型NeuralGCM，在预测突发恶劣天气出色，还介绍其动态核心、物理模拟模块等，经测试有一定优势。
入职Meta的吴翼，清华叉院官网已撤其教职信息
吴翼加盟Meta引发关注，目前清华叉院官网已撤其教职信息。他有丰富学术与产业经历，曾在多机构实习、任职，成果颇丰。叉院允许教职人员产学“双栖”，但Meta情况特殊。
AI穿越战争迷雾，72%的准确率化身中东冲突预言家
阿联酋和美国研究人员用中东冲突测试AI推理表现，发现其能看透利益博弈、预判战局演变。AI擅沿客观限制推演，在经济领域敏锐，政治领域较难，整体预测准确率达72%。
Claude Code被攻破「后门」，港科大&复旦研究曝出TIP漏洞
近期港科大与复旦研究指出，Claude Code命令行工具连接MCP服务器时，TIP可能被劫持致远程代码执行。研究用TEW框架测试验证漏洞，还给出真机案例，最后提出改进方向。
写代码从来不是瓶颈
Pedro Tavares认为软件开发瓶颈并非写代码，而是代码审查、知识传递等“人类开销”。LLM让写代码变容易，但理解、测试代码成本更高，未解决根本问题，团队理解代码成本才是瓶颈。
Mini-SGLang，30万行代码浓缩为5000行，大模型推理高性能教学与研究模版
SGLang发布Mini-SGLang，将30万行代码缩至5000行，保留核心特性，为大模型推理提供高性能教学与研究模版，解决教育门槛高和科研原型开发难的痛点，还经测试验证了性能。
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。
我在OpenAI修中文
OpenAI研究科学家陈博远介绍GPT Image 2官网博客花絮，分享模型训练、测试情况，还展示亲手制作的官网图片，包括中文彩蛋、漫画、杂志页等，体现模型文字渲染、视觉推理等能力。
刚刚，Anthropic分享了构建Skills的最佳实践
Anthropic获300亿美元融资，估值达3800亿美元，发布《The Complete Guide to Building Skills for Claude》指南。介绍Claude Skills本质、与MCP关系、应用场景、技术实现、设计模式及测试迭代方法。
LeCun离职后不止创一份业！押注与大模型不同的路线，加入硅谷初创董事会
离开Meta后，Yann LeCun创立AMI，还加入Logical Intelligence任技术研究委员会主席。该公司推能量 - 推理模型，与主流大模型路线不同，其Kona模型在数独测试上表现远超大模型。