「评测标准」共找到 946 篇相关文章
突破Pass@1瓶颈：一种让LLM自我博弈、永不枯竭的RL新范式，超越基线22.8%！
近年来，基于可验证奖励的强化学习（RLVR）在提升大型语言模型（LLM）推理能力上有关键作用，但存在熵崩溃问题。论文提出SVS创新策略，让模型自我合成变分问题形成自我提升循环，实验效果惊人。
ChatGPT 已经是新一代分发平台，创业公司该考虑怎么抓住增长红利了
文章指出ChatGPT已成新一代分发平台，创业公司应抓住增长红利。介绍了分发平台“开放 - 关闭”周期，分析ChatGPT最可能成最大消费平台，还给出创业公司选择平台标准及企业AI转型建议。
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。
MiniMax Agent 再进化！正式走向商业级全栈开发
MiniMax Agent 升级成‘全栈开发师’，建立完整交付标准，构建技术生态。它能完成多任务，配置顺滑，可处理前端问题。还在 MCP 生态、支付集成等方面革新，从工具迈向数字化商业引擎。
OpenAI被曝IMO金牌「造假」，陶哲轩怒揭内幕！
OpenAI高调宣称摘下IMO数学金牌，却被组委会内部人士爆料未与官方合作、无视规则提前官宣。菲尔兹奖得主陶哲轩暗指其成绩存疑，网友也不满其炒作。UCLA教授认为大模型短期难取代数学家。
广义智能体理论：智能时代通向「万物理论」的新路径？
源自AI的「广义智能体理论」为探索「万物理论」提供新视角。它将物理、生命、AI系统纳入标准智能体框架，提出四大基本作用力或源于「智能场」，还为经典、相对、量子力学差异提供新诠释。
「AI 作弊产品」Cluely 创始人 Roy Lee：别再迷信 PMF 了，先传播才是王道
Cluely创始人Roy Lee颇具争议，他开发的AI作弊软件走红。公司主打病毒式传播，获超1500万美元投资，ARR达700万美元。Lee认为Z世代创始人将成主流，主张先传播后开发，还提出半透明AI覆盖层交互形态。
如何平衡本土创新与全球化？ 安谋科技CEO陈锋夏季达沃斯发声
2025夏季达沃斯论坛在天津举办，安谋科技CEO陈锋受邀出席“助力中国科技新突破”圆桌论坛。他指出全球AI转向场景落地，物理AI、脑机接口是方向，还强调企业要平衡本土创新与全球化，分享了安谋科技实践路径。
豆包 AI 编程：一句话写赛博鱼缸，动嘴皮改富士滤镜
豆包发布全新模型 1.6 后，AI 编程更新，基于此模型在评测集位列第一梯队。它实现低门槛+可用性，能一句话生成网站、工具，还可可视化编辑，目标是让普通人能做产品。
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。