「数学基准测试」共找到 2303 篇相关文章
AI 视频生成“试金石”：谷歌 Veo 3 体操“图灵测试”未达标，仍是“抽象派”！
谷歌新出的Veo 3视频生成模型画质惊艳且能开口说话，但生成体操动作效果差，像“抽象派”。虽存在生成不准问题，但物理效果比其他模型好。有人建议其与专业动捕公司合作，音画一体或成视频模型竞赛标配。
3晚攻克世界数学难题，黑洞方程秒解！OpenAI：AI正让科学加速100年
2026年，AI成科学家新战友。数学家Ryu用ChatGPT三晚攻克优化难题；物理学者Lupsasca用GPT - 5 Pro 18分钟重现黑洞隐藏对称性；OpenAI为生物领域构建GPT - 4B Micro助力攻克难题。OpenAI称科学加速时代来临。
半世纪难题48小时破解！陶哲轩组队把AI数学玩成打怪游戏了
陶哲轩与多名数学家合作，借助多种AI工具，仅用48小时就解决了尘封50年的Erdős问题。此次解题既有“人与人的协作”，也有“人与AI的协作”，这种方式正成新趋势。
人类秒懂，AI崩溃：一个简单测试，就让GPT-5、Gemini等顶级模型集体“翻车”
来自多机构研究团队发现，OpenAI的GPT-5等顶级AI模型，面对‘看得见但读不懂’文字时表现极差。VYU团队实验显示，人类能轻松读懂的切分拼接文字，AI却全军覆没，原因是其靠模式匹配，不懂文字结构。
性能逼近闭源最强，通义实验室开源Mobile-Agent-v3刷新10项GUI基准SOTA
通义实验室开源 Mobile-Agent-v3，覆盖多平台，7B 超同类开源，32B 挑战闭源强手。它有基于云环境的全链路开源方案、全栈 GUI 能力构建和可扩展环境强化学习体系，降低部署开销。
1万tokens是检验长文本的新基准，超过后18款大模型集体失智
Chroma团队研究发现，将上下文扩展至1万tokens，18款主流大模型集体“失智”，“智商”非均匀下降，在一些节点会断崖式下跌。研究还设计四项对照实验，证明LLMs性能随输入长度增加显著且非均匀下降。
陶哲轩看傻：三破18年数学纪录！谷歌推出「AI爱迪生」，科研不再靠灵感？
5月中旬谷歌发布AlphaEvolve，30天攻克18年未解难题。它利用Gemini模型发现新算法，从AlphaGo获启发，能在编程空间搜索方案，或开启不靠‘灵感’的科学革命，还将改变科学家角色。
Claude 4发布！AI编程新基准、连续编码7小时，混合模型、上下文能力大突破
今天凌晨Anthropic开发者大会发布Claude 4，含Claude Opus 4和Claude Sonnet 4。前者是顶尖编码模型，后者是Sonnet 3.7重大升级。还发布系列产品，定价不变，已上线Amazon Bedrock。
对话微软研究员华文越：横跨数学、哲学与计算机，她如何重构 Agent 的信任基石？
本期访谈邀微软研究员华文越跳出技术视角，探讨如何用跨学科思维解决Agent落地难题，如找模型等间最优解、建信任标准，还将深入其工作逻辑及对Agent未来思考。4月18日直播。
马斯克官宣数字AI员工！世界首富也来养龙虾，测试阶段员工把它当真人
马斯克在X上宣布数字擎天柱/巨硬AI项目，它是能在电脑自动操作的数字员工，可模拟公司运作。该项目早有记载，此前印度小哥曾爆料。巨硬项目曾遇阻，现以数字擎天柱形式推出，由xAI与Tesla联合打造。