「AI基准测试」共找到 10955 篇相关文章
我让10个大模型又参加了完整版数学高考，第一名居然是它。。。
作者让10个大模型参加完整版数学高考，单独制定规则，邀朋友协助测试。结果令人意外，单选题第6题成噩梦，多模态题大模型几乎全军覆没。讯飞星火和豆包145分并列第一，Qwen3屈居第三。
终于，无需邀请码，这款刷新GAIA榜单的Agent你立刻就能用！
今年AI圈新品爱用邀请码等三件套，作者对此不满。天工超级智能体（Skywork）不玩套路，在GAIA评测达SOTA级别。它优化办公三件套场景，使用方便，虽有不足但瑕不掩瑜。
微软正式开源UFO²，Windows桌面迈入「AgentOS 时代」
微软研究团队正式开源业内首个深度集成 Windows 操作系统的桌面智能体平台 UFO² AgentOS。它是 UFO 升级版，解决传统智能体问题，在多维度实现突破，经测试表现领先，代码和文档已开源。
告别 LEB128 的规范性陷阱，Bijou64 用结构设计解决安全问题
研究实验室Ink & Switch发布bijou64可变长度整数编码格式，由Brooklyn Zelenka开发。它消除规范性漏洞，在基准测试中超标准标量LEB128解码器。Hacker News社区对其有权衡讨论，实现已用Rust发布。
RAG搜对了却答错？德国萨尔大学找到了真相丨ACL'26
RAG已成大模型落地标配技术，但存在搜到对的文档、模型答案却离谱的痛点。德国萨尔大学等组成的团队诊断出问题在阅读理解，提出Disco - RAG框架，在“搜”和“答”间加“读懂”环节，已被ACL 2026主会录用。
The Batch：924｜GPT-5.4：性能更高，价格也更高
OpenAI更新旗舰模型GPT-5.4，有Thinking和Pro两个版本，扩展工具使用能力，多基准测试达当前先进水平，但定价高。虽在部分任务表现超Claude，挑战Gemini地位，不过成本也更高。
无预训练模型拿下ARC-AGI榜三！Mamba作者用压缩原理挑战Scaling Law
CompressARC研究中，Mamba作者Albert Gu团队给出不同于大规模预训练的智能配方——最小描述长度（MDL）。一个76K参数、无预训练模型，在ARC - AGI - 1基准解决20%问题，获ARC Prize 2025第三名。
比996更高效！夫妻合伙人不「下班」，狂赚$4700万
AI初创公司Serval的CEO Jake Stauch和COO Tatiana Birgisson这对夫妻创业成功获4700万美元融资。他们将工作与生活高度融合，工作高效且家庭温情，证明工作与生活深度整合模式的价值。
小米开源首个跨域具身基座模型MiMo-Embodied，29个榜单SOTA
小米具身智能团队开源跨域基座模型MiMo - Embodied，它融合自动驾驶与具身智能，在29个榜单创SOTA。该模型基于MiMo - VL架构，采用四阶段训练策略，有效解决领域割裂问题，为通用VLA模型奠定基础。
一边秀肌肉，一边设围墙，NVIDIA 发布 OmniVinci，性能碾压 Qwen2.5-Omni，却被骂“假开源”
NVIDIA 推出多模态大语言模型 OmniVinci，结合架构创新与数据合成流水线，训练 token 仅为 Qwen2.5 - Omni 的六分之一，却在多项基准测试表现更佳。但采用限制商业用途的许可证，引发争议。