「生物医学基准测试」共找到 2059 篇相关文章
我用MiniMax Agent开发了个带后端的全栈网站，全程0代码
2025年Agent成AI领域焦点，大厂纷纷布局。作者测试MiniMax Agent，发现其有四大特点：深度研究和上下文管理强，多模态输出出色，编程能力超预期，能执行定时任务，还能开发带后端的全栈网站。
DoorDash 如何打造了一款不完全依赖大型语言模型（LLM）的 AI 购物助手
DoorDash 分享对话式 AI 助手 Ask DoorDash 的架构，它借助 LLM、AI 代理等构建系统。测试显示其提升了结账转化率等指标，还构建自动评估框架改进质量衡量，架构分离协调与业务功能。
ICLR 2026｜多模态大模型真的理解情绪吗？MME-Emotion给出了系统答案
多模态大模型迅速发展，但能否理解人类情绪存疑，且缺乏系统性评测框架。香港中文大学和阿里通义实验室团队提出 MME - Emotion 评测基准，评测 20 个主流模型，发现模型情感智能不足，为后续研究提供参考。
开源模型终于有了自己的 Opus 时刻
智谱深夜发布的新一代旗舰模型 GLM - 5，此前以匿名模型 Pony Alpha 被开发者热测。2026 年编程大模型风向转变，GLM - 5 参数提升，测试成绩优异，实测能完成复杂工程任务，适配国产算力平台。
一图胜千言被实现了！DeepSeek-OCR用图片压缩文本，10倍压缩率
DeepSeek开源DeepSeek - OCR，用图片压缩文本达10倍压缩率且几乎不丢信息。它解决了以往视觉编码器的问题，架构清晰，数据丰富，性能测试亮眼，为解决大模型‘记性差’问题提供新思路。
骂得越狠，ChatGPT回答越准！PSU研究实锤，狂飙84%准确率
宾夕法尼亚州立大学团队研究发现，对ChatGPT越粗鲁，它回答越准。实验用含50个基础问题的数据集，改写为五种礼貌等级共250个prompt测试，非常粗鲁时准确率达84.8%，非常礼貌为80.8%。
宇树科技开源UnifoLM-WMA-0机器人模型，离通用机器人又进一步
宇树科技开源UnifoLM-WMA-0模型，用神经物理网络让机器人理解力学规律。它支持两种模式，融合多模态信息，架构精妙。经测试性能强，已真机部署。开源降低门槛，有望推动行业发展。
从 Shopify 构建 Agent 的经验中可以学到的
Shopify 分享构建 Agent 经验，采用主流 Agentic Loop 架构。给出4条打造 AI 智能体核心建议，还指出工具控制在20个内，可用 SubAgent 分摊上下文；用人类标记结果作基准让 LLM 评估 Agent 生成结果。
GPT-5“变笨”实锤，退休教授出了道井字棋送分题，结果它真送了
退休经济学教授用井字棋简单问题测试GPT - 5，其表现拉胯，与“博士级AI”宣传不符。后续操作离谱，或因OpenAI策略调整。此外，OpenAI在测ChatGPT新功能，奥特曼开始炒GPT - 6。
ICCV 2025 | 机器人自主探索未知复杂空间？GLEAM破解主动探索建图的泛化难题
文章聚焦机器人在未知复杂空间的自主探索建图难题。香港中文大学与上海人工智能实验室联合提出GLEAM，搭建GLEAM - Bench基准，设计通用策略，实现零样本适配未知空间，在多指标上超越先前方法。