「基准测试集」共找到 2446 篇相关文章
清华传奇姚顺宇立功！全新Gemini一夜血洗编程，全球仅7人能赢它
谷歌Gemini 3 Deep Think重磅升级，几乎刷爆全领域SOTA。编程界冲入Codeforces人类TOP 10，人类最后考试等测试也表现优异。还能解决科研工程难题，实测物理模拟能力强，给OpenAI带来压力。
可能是比Lovable还好的Vibe Coding产品-MiniMax Agent体验
作者测试MiniMax Agent，用其生成法国景点介绍、艺术家作品对比、攻壳机动队分析等网页。它能自主找信息、整理，生成图、音等。和Lovable对比，它表现更优，还支持免费试用。
「生化危机」女主用Claude手搓满分AI，一年0.7美元反杀大厂！
《生化危机》女主Milla Jovovich与工程师好友用Claude开源AI记忆系统MemPalace，在LongMemEval获全球首个满分。虽上线后被社区挑刺，团队公开认错，但其成绩和免费本地运行优势仍受关注。
10倍加速化学推理大模型！Haven团队在隐空间思考分子式，碾压显示CoT
Haven团队提出LatentChem，把化学推理从‘文本表面’挪到‘模型内部’，先在隐空间思考，再在语言空间回答。它拆分‘推理’与‘表达’，性能优异，为AI Scientist奠定基础。
想入局VLA却不知从何下手？NTU&中大开源「终极菜谱」：从基座到频域建模，每一步都有实验支撑
MMLab@NTU联合中山大学的研究推出VLANeXt，从12个关键维度剖析VLA设计空间，每步有实验支撑。它在LIBERO及LIBERO - plus上超越SOTA方法，遇扰动成功率跃升10%，适合不同水平从业者。
GenEnv：智能体与环境模拟器之间的难度对齐协同进化 | 直播预约
训练高性能 LLM 智能体受限于真实世界交互数据的成本和特性，为此推出 GenEnv 框架，它建立难度对齐协同进化博弈，能让智能体表现提升，减少数据使用量，为扩展能力提供数据高效路径。
SIGGRAPH Asia 2025｜30FPS普通相机恢复200FPS细节，4D重建方案来了
3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。
国科大 ｜ 提出进化算法：EvolKV，自适应分配KV Cache，预算降至1.5%！
键值缓存（KV cache）是大模型快速运行核心技术，但输入文本越长，存储和处理问题越突出。国科大提出进化算法EvolKV，自适应分配KV Cache，实验显示其效果显著，预算可降至1.5%。
Qwen2.5VL又多一个娱乐场景，看电影讲故事
文章聚焦Qwen2.5VL新娱乐场景“看图讲故事”。介绍视觉叙事目标、挑战，讲述基于StoryReasoning数据集微调Qwen Storyteller模型的解决思路，含核心技术，还给出实战代码及相关链接。
14.5K！冲上Github Trending榜，字节最新开源Agent上下文"数据库"!
OpenViking是字节跳动火山引擎开源的AI Agent上下文数据库。它用文件系统范式管理上下文，有分层加载、递归检索、可视化轨迹和自动会话管理等特性，支持多种模型，测试效果显著。