「GAIA 基准测试」共找到 2059 篇相关文章
Google 新论文离谱到家了，0延迟0成本通用，提升大模型准确率最简单的方法。
Google新论文提出简单提升大模型准确率的方法，即重复提示词，把完全一致的输入连续发2次。主流模型适用，经70项benchmark测试，0场景效果倒退，47个场景准确率提升，且几乎不增延迟、成本。
解决Agent幻觉：HaluMem精准定位记忆系统的“说谎”环节！
近年来，LLM和Agent在记忆管理上存在挑战，现有评估方法无法定位幻觉来源。论文提出HaluMem评估基准，通过三大任务和两个数据集揭示记忆系统幻觉行为，为开发可靠记忆机制提供指导。
缓存命中率99.93%！DeepSeek最适合的Harness来了，GitHub狂揽8.6万Star
DeepSeek官方版Harness未出，民间开源编程Agent「Pi」先火。它适配DeepSeek，让其缓存不命中率低至0.03%，调用成本大降。Composio测试显示Pi完成任务平均成本最低。同时，DeepSeek正组建团队做官方Harness。
这个春节P图不求人！小红书开源图像编辑新SOTA
今日小红书基础模型FireRed - Image - Edit亮相，在复杂编辑指令、风格化转换等核心指标表现强，在多项权威测试达SOTA。该项目代码等已开源，模型权重将开源。团队还推出RedEdit Bench评测方案。
腾讯悄悄上线了“Claude Code”，居然还支持微信登录。
腾讯悄悄上线CodeBuddy Code（Claude Code），定位为AI CLI，能在命令行完成编程任务。作者测试用其开发MCP服务，速度快且功能全，还介绍使用方法，不过产品有稳定性问题，仍有潜力。
叫板英伟达RTX 5090！GPU初创公司做出13倍路径追踪性能的怪兽显卡
芯片初创公司Bolt Graphics首款GPU模组Zeus 4C，路径追踪性能达RTX 5090的13倍。但它不适合游戏场景，更擅长低功耗高精度图形渲染，不过测试、应用、价格目前都是未知数。
Grok 4作战图刷爆全网，80%华人横扫硅谷！清华上交校友领衔，95后站C位
Grok 4一夜爆火硅谷，一张内部作战图显示其幕后团队华人学者占比达80%，包括Jimmy Ba、吴怀宇等。独立评测中Grok 4成绩优异，但也有人质疑其代码基准结果有过拟合嫌疑。
如何为 GPU 提供充足存储：AI 训练中的存储性能与扩展性
文章分析 MLPerf Storage v2.0 测试结果，探讨不同存储系统在 AI 训练中表现。在满足 GPU 利用率阈值下，能支撑更多 GPU 的存储系统扩展性与稳定性更强，还需关注资源利用率。以太网存储方案灵活且成本效益高。
斯坦福年度结论：中美大模型已没差距
斯坦福HAI《2026年AI指数报告》指出，中美AI模型性能差距基本消除，AI能力加速发展且普及快，但也存在安全基准滞后等问题。报告含15个主要结论，已成为业界重要参考。
扒一扒Meta全新大模型Muse Spark里藏着的PDR技术
Meta发布闭源大模型Muse Spark及‘沉思模式’，背后藏PDR推理技术。该技术通过‘并行起草+精炼’突破性能瓶颈，对比传统长CoT范式优势明显，在AIME竞赛题目测试中准确率显著提升。