「AI基准测试」共找到 10955 篇相关文章
伯克利最强代码Agent屠榜SWE-Bench！用Scaling RL打造，配方全公开
开源软件工程模型DeepSWE横空出世，基于Qwen3 - 32B，仅用强化学习训练，以59%准确率刷新SOTA。它采用rLLM框架、R2E - Gym环境，用改良GRPO++算法，还介绍了评估策略及训练挑战的解决办法。
揭秘LLM“思考”之谜：推理即“梯度下降”，元学习框架解构训练过程，还给优化提供新思路
上海AI Lab团队提出RaML框架，从梯度下降和元学习角度揭示LLM“思考”机制。通过实证验证推理轨迹作为参数更新的合理性，还对比不同训练策略，指出RaML为优化LLM性能提供新思路。
蚂蚁阿福：从 0 到生产的医疗 Agent 工程化落地｜QCon 北京
4月16 - 18日，QCon全球软件开发大会将在北京举办，聚焦Agentic AI等前沿话题。蚂蚁集团郭春晓将分享《蚂蚁阿福：从0到生产的医疗Agent工程化落地》，探讨技术体系与布局，还有20多个专题论坛。
当 Kanban 不再管理人：Routa Kanban 如何管理 Agent Team
本文探讨了 Routa Kanban 如何管理 Agent Team，指出在 AI4SE 时代，多 Agent 协作进入日常软件交付需建设管理界面与工程护栏。Routa Kanban 把多 Agent 协作推进到‘管理驱动’，其价值在于将隐性约束显性化。
港中文联手美团开源“视觉推理通才”！图像视频10类任务一网打尽
香港中文大学MMLab与美团研究团队开源OneThinker模型，它可覆盖图像与视频十类核心视觉任务，在31项测试中表现出色，还展现泛化能力。研究团队搭建数据集，并引入EMA - GRPO算法提升训练稳定性。
亲测太强了！2分钟用Gemini 3 pro实现拍立得应用
作者看到网友用Gemini 3 pro做的有趣应用后亲自尝试，在Google AI studio用Gemini 3 pro仅2分钟、三次对话就做出拍立得相机应用，还提供了照片删除和下载功能，附上实现过程和应用链接。
在失败中进化？UIUC联合斯坦福、AMD实现智能体「从错误中成长」
伊利诺伊大学厄巴纳 - 香槟分校等团队发布论文，剖析LLM智能体失败机制，提出可自我修复的创新框架AgentDebug。研究指出智能体常见失败类型，构建错误分析体系、数据集，实验显示该框架效果显著，为AI可靠性提供方案。
Shopify分享了他们做Agent的万字踩坑经验
Shopify分享构建生产级AI助手Sidekick的万字经验。构建中遇工具拓展难题，用JIT指令解决；评估是大挑战，建立严谨体系，虽有提升但效果仍有波动，模型还会钻空子，最后强调单Agent系统也强大。
Demis Hassabis揭秘世界模型Genie 3的真正意义：为AGI打造无限“虚拟子宫”
Google DeepMind CEO Demis Hassabis与产品负责人深度对谈，爆料将游戏智能体SIMA放入Genie 3生成世界训练，探讨AI从游戏到思考系统的演进、Genie 3意义及AGI评估挑战，还提及与Kaggle合作推游戏竞技场。
告别 CVE？欧洲漏洞数据库 EUVD 正式上线
欧盟网络安全局推出欧洲漏洞数据库（EUVD）测试版，与CVE并行独立运作，旨在提升欧盟内部漏洞处理协调性与透明度。CVE虽为国际标准，但美国政治动向引发其稳定性担忧，EUVD可作备用且有增强功能。