「测试评估集」共找到 2678 篇相关文章
美国航天局与谷歌合作，打造AI医疗助手，以保证宇航员健康
Techcrunch消息，美国宇航局NASA和谷歌合作开发AI医疗助手CMO - DA，保障前往火星的宇航员健康。它有多种模态功能，在谷歌云运行。经测试诊断准确性较高，未来还会增加数据源和情境感知能力。
LLM总是把简单任务复杂化，Karpathy无语：有些任务无需那么多思考
随着推理大模型和思维链普及，大模型有了‘深度思考’能力，但现在有些偏科，简单任务也复杂化。AI大牛Andrej Karpathy发长文指出该现象，认为是基准测试优化所致，大模型发展不能只追求分数。
老黄入局吃龙虾！英伟达发布最强开源Agent推理模型
英伟达发布并开源120B参数的MoE模型Nemotron 3 Super，在多项测试中表现出色。它原生支持100万token上下文，吞吐量大幅提升。英伟达还计划五年投260亿美元构建开源AI模型，开放全参数权重等。
ICLR 2026 Oral | 让大模型学会“像法医般思考”，实现可解释、可泛化的深度伪造检测
生成式AI发展使深度伪造技术安全隐患受关注，现有检测器表现不佳。中科院自动化所联合蚂蚁集团提出Veritas框架，构建HydraFake数据集，赋予大模型“模式感知推理”能力，实验效果超现有检测器，还给出未来研究方向。
Target 公司借助生成式 AI 推荐将“加入购物车”互动率提升 11%
Target公司为应对零售目录中配套产品组合复杂挑战，部署基于生成式AI的配件推荐系统GRAM。它用大模型分析产品数据，结合人工审核，A/B测试显示提升了互动率和转化率，已全面投入生产。
Hugging Face开源nanoVLM，750行代码可训练视觉语言模型，简单到令人发指！
Hugging Face开源全新视觉语言模型框架nanoVLM，仅750行代码就能从零训练高效能VLM模型。它在单张H100 GPU训练6小时后，在MMStar数据集准确率达35.3%，且能在免费Google Colab跑。
The Batch: 964 | Claude 亮相另一款 Opus
Anthropic发布Claude Opus 5，这是款视觉 - 语言模型，运行成本低，多任务表现优于Claude Fable 5。它在多项测试中领先，解决了Fable 5的一些问题，但也有易产生幻觉等不足。
断网解题，Claude Mythos推翻Erdős 80年猜想！比OpenAI更短更漂亮
OpenAI用125页思维链解开Erdős 80年猜想，Anthropic研究员Levent Alpoge让Mythos断网测试，找到更短更简洁路径。Mythos用数论方法打破僵局，过去一周OpenAI、DeepMind、Anthropic分别攻克相关难题。
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。
“交互式Scaling”：增加Agent与环境交互的深度和频率来提升性能
在AI发展中，商业研究Agent是“黑箱”，开源研究Agent性能有差距。MiroMind团队推出MiroThinker v1.0，提出“交互扩展”提升性能，在多基准测试表现出色，也指出了当前版本的局限。