「评估基准」共找到 1426 篇相关文章
Anthropic官宣「封杀」OpenAI！GPT-5发布在即，竟被曝用Claude Code做开发？
本周二，Anthropic切断OpenAI对其大语言模型的Claude API访问权限，指其违约用Claude支援GPT - 5开发及安全测试。此举标志AI巨头围绕数据与接口展开新一轮封锁战，API成战略资源。
刚刚，奥特曼放出ChatGPT「统一智能体」！惊呼真AGI，最卷打工人来了
奥特曼带队直播发布ChatGPT agent，它融合三大技术优势，可自主工作，还能上网直出PPT、Excel。在多项测试中刷新SOTA，2025年将成全新AI杠杆，解锁「超级个体」模式。
Reasoning新突破：SoftCoT++如何让LLM‘多想几条路’？
LLM推理依赖‘思维链’，传统方法在离散token空间生成步骤有信息丢失、多样性不足问题。SoftCoT++在连续空间生成‘软思维’，拆分‘思考’与‘推理’，用专用初始token和对比学习，实验中全面超越传统方法。
开发边界消失是必然，但 AI 没有替代开发者！对话 Google 全球开发者生态总监 David McLaughlin
文章是对 Google 全球开发者生态总监 David McLaughlin 的访谈。谈到 AI 会让开发边界消失，开发者应转变思维，AI 增强而非替代开发者，还探讨了谷歌工具策略、开发者出海问题、Token 管理等。
机器人学会“脑补”触感，叠衣服端茶水成功率暴涨90%
近年来，人形机器人研发从行走转向复杂操控，但处理精细家务表现逊色。卡内基梅隆大学联合博世人工智能中心团队提出 HTD 模型，让机器人预判触觉，在 5 项任务上成功率提升 90.9%，部分代码开源。
腾讯大模型动作慢了吗？姚顺雨带着Hy3 preview杀进第一梯队
国内大模型发展迅速，腾讯此前动作较慢。姚顺雨加入后推动变革，混元团队重建推出Hy3 preview，有295B总参数和快慢思考融合架构，开源且性能优，在多方面表现出色，成本下降。
Turso：用 Rust 重写 SQLite，让数据库跑在每一个边缘节点
Turso用Rust重写SQLite内核，解决其单写者限制和缺乏网络同步能力的短板。它有嵌入式副本、边缘同步和向量搜索等特性，适用于AI Agent、多租户SaaS等场景，与竞品相比优势独特。
NUS&复旦&清华：首个系统性大模型Latent Space综述
新加坡国立大学等多机构发布大模型潜在空间领域首个系统性全景综述，从“基础—演进—机制—能力—展望”拆解潜空间范式的底层逻辑、技术路径与未来前景，还对比了潜空间与显式空间差异。
让AI自动构建AI模型：UCSD 推出 AIBuildAI 智能体，斩获OpenAI MLE-Bench榜单第一
近日，加州大学圣地亚哥分校研究团队开发 AIBuildAI 智能体，可全自动构建 AI 模型。它在 OpenAI MLE - Bench 基准测试 75 个任务上以 63.1% 获奖率居榜首，实现端到端自动化。
多智能体编排太繁琐？MASFactory用Vibe Graphing直接「话」出来了
多智能体系统编排当前较为繁琐，北京邮电大学开源 MASFactory 框架，提出以图为中心架构和 Vibe Graphing 开发范式，将开发推向自然语言驱动时代，系统评估显示其效果良好。