「学术基准测试」共找到 2189 篇相关文章
别跟LLM太交心！斯坦福新研究：AI不能完全取代人类心理治疗师
斯坦福大学研究团队测试流行AI模型及商业化AI治疗平台，发现AI治疗师存在根本缺陷与潜在危险，如歧视回应、无法危机干预、谄媚等，但也认可其在心理健康方面的辅助用途。
“图片秒生”，腾讯混元图像2.0模型正式发布，主打速度和真实感
5月16日，腾讯发布混元图像2.0模型，率先实现实时生图，生图速度快、质量高，能避免‘AI味’。在GenEval基准上准确率超95%，还发布实时绘画板功能，后续将推原生多模态模型。
AI如何看懂足球？上海交大团队打造Multi-Agent系统，全面解析“美丽足球”！
现有足球AI研究存在不足，上海交大团队打造Multi - Agent系统。他们构建SoccerWiki知识库、SoccerBench评测基准和SoccerAgent多智能体系统，该系统多工具协作，实验中碾压GPT - 4，数据和代码将开源。
阿里「快乐小马」来了，首批网友已玩疯！720P低至0.44元/秒
今天，阿里HappyHorse - 1.0开启灰度测试。它有电影级叙事质感，指令遵循能力强，能驾驭多种风格，还可一句话改视频。性价比高，720P低至0.44元/秒，让AI视频从‘玩具’变‘工具’。
今天，Anthropic偷偷移除了Pro用户的Claude Code访问权
Anthropic一度将Claude Code从Pro套餐移除，引发开发者不满，数小时后官网回滚，负责人称是小范围测试。Claude Code因高消耗或调整收费，Anthropic正修正订阅模型，这或改变开发者工具格局。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
吴恩达手搓新项目：AI审稿人上线！只为终结学生“3年被拒稿6次”的痛苦
吴恩达开发新项目 Agentic Reviewer 代理审稿人，灵感源于学生3年论文被拒6次。此工具能加快研究人员迭代速度，在 ICLR 2025 评审数据测试中接近人类水平，适用于 arXiv 公开研究领域。
Meta开源首个320亿参数代码世界模型CWM
Meta FAIR发布320亿参数的研究模型Code World Model (CWM)，用“世界模拟”方式处理代码，试图真正“理解”代码逻辑。它在Math - 500数据集测试成绩亮眼，模型权重开放，可多渠道下载。
告别 Selenium 痛点！全新升级版 Selenium 自动化框架，斩获10.2K标星！
Selenium 编写 Web 自动化脚本痛点多，SeleniumBase 深度封装 Selenium，内置智能等待等功能，解决诸多问题。它功能强大，安装使用简单，适用于多场景，像“智能助手”让自动化测试变简单。
Anthropic发布Claude Science，AI开始像研二学生一样做科研
当地时间6月30日，Anthropic发布科研产品Claude Science。它运行Claude Opus 4.8，亮点在使用方式，将科研所需整合，还能拆分任务。早期用户反馈良好，与OpenAI、谷歌竞争，已开放测试版。