「Benchmark」共找到 76 篇相关文章
算法论文8
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
机器之心
开源动态7
这可能是，全球最强开源Agent模型，走了一条反Scaling Law的全新范式！
MiroThinker v1.5开源，其30B小模型在Agent benchmark上击败万亿参数的Kimi K2T。它以交互深度为新Scaling维度，训练有严格时间管控，实测表现超Search Agent，“小模型+强交互”或成新方向。
探索AGI
新闻资讯7
Kimi K2里找到了DeepSeek V3架构
Kimi新模型K2热度高，在多benchmark上达SOTA，网友好评多。Kimi工程师透露K2开源原因，还谈及Kimi发展策略。实测显示K2在前端制作、工具调用、创意写作上表现出色。此外，OpenAI开源模型推迟，引发猜测。
量子位
开源动态8
王兴一鸣惊人！美团首个开源大模型追平DeepSeek-V3.1
美团首个开源大模型Longcat-Flash-Chat发布即引发热议。它在部分benchmark上超DeepSeek-V3.1等，编程能力也出色。技术报告透露美团对大模型的理解，还有新发现，且性能好、训练效率高。
量子位
算法论文8
突破多模态奖励瓶颈！中科院清华快手联合提出R1-Reward，用强化学习赋予模型长期推理能力
多模态奖励模型（MRMs）对提升多模态大语言模型表现至关重要，强化学习理论上可引入长期推理能力，但现有RL算法用于训练MRM会不稳定。中科院、清华等团队推出R1 - Reward模型，在多模态奖励模型benchmark上有显著提升。
量子位
算法论文8
华为超树HTP：不写示例、不调PDDL，AI规划约束通过率飙升62.6%
文章介绍华为超树HTP，它是完全自主、可泛化的推理新范式。能让LLM在超树结构上完成规划，不依赖人工示例和外部规划器，在复杂规划benchmark上实现SOTA准确率并降低token成本，还阐述其原理、创新点及应用实例。
CourseAI