「基准测试数据集」共找到 1347 篇相关文章
GraphRAG还在持续进化，FlowRAG让证据链自己流起来
上海AI Lab和华东师大论文提出FlowRAG，它是GraphRAG变体，把RAG检索从按相似度排文本块推向沿证据流找推理路径。在多数据集上表现不错，虽平均Relevance低于LinearRAG，但更能保证证据链完整。
VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破
当前VLA模型常依赖视觉线索而非语言指令，导致新场景表现不佳。论文提出LangForce方法，引入对数似然比损失，强化模型对语言的依赖，提升分布外泛化能力，还保留语言核心功能。
TACO: 让 CLI Agent 在自主迭代中学会丢掉无用上下文
由多校及研究团队联合提出 TACO，这是无需训练、即插即用的终端智能体自进化观测压缩框架。它能让智能体学习压缩规则，过滤低价值输出，保留关键线索，实验显示其提升了任务成功率和 token 效率。
图像编辑模型不止生成：BIGAI&上交大提出EAR范式，系统测试其视觉规划能力
上海交通大学联合北京通用人工智能研究院提出EAR范式，构建AMAZE基准，分析图像编辑模型视觉推理能力。研究发现模型零样本表现弱，扩散式模型更适合视觉规划，CoT效果不稳定等。
Qwen3.6-Max-Preview来了！
继Qwen3.6 - Plus发布，推出Qwen3.6 - Max - Preview预览版，相比前者有更强世界知识、指令遵循能力，智能体编程表现显著提升。可在Qwen Studio交互，也将通过阿里云百炼API调用。
ICLR 2026 | 异常需要定义！中传团队提出开放世界视频异常检测新范式
现有视频异常检测（VAD）方法泛化能力不足，无法适应开放世界需求。中传吴晓雨团队在ICLR 2026发表论文，提出LaGoVAD模型，联合建模视频与异常定义，解决样本密度下降等问题，实验显示泛化性强。
AI Agent也有体检中心了？诊断级安全框架AgentDoG正式开源
上海人工智能实验室今日开源全球首个具深度诊断能力的AI智能体安全护栏框架AgentDoG。它能精准定位风险、解释决策成因。团队提出三维风险分类法，构建数据合成管道，实验表现领先，还集成归因模块。
仅需一个混频器的无线射频机器学习推理，登上Science Advances！
杜克大学和MIT教授团队提出广播模型并在射频上完成计算的分离式计算方案，在边缘端混频器模拟计算中完成推理，解决传统方案问题，还在测试平台验证，能耗低且能完成多项机器学习任务。
吴恩达：图灵测试不够用了，我会设计一个AGI专用版
AI大神吴恩达2026年要做新的图灵-AGI测试，弥补AGI定义无统一标准、现有基准测试易误导大众的空白。该测试聚焦AGI经济性和实际产出，能更好衡量AI通用能力。
BellSoft 发布 Java 加固镜像
BellSoft 在 KubeCon 2025 大会发布新的“加固镜像”产品，集 Java 运行时优化、操作系统加固与主动 CVE 修复于一体，可减少已知漏洞、降低资源消耗，还提供 SBOM 满足合规需求。