搜索：学术基准测试

「学术基准测试」共找到 2189 篇相关文章

Meta提出数据筛选的理论：何时“少即是多”成立？

Meta针对机器学习领域‘少即是多’悖论提出理论框架，用高维统计等方法推导测试误差缩放定律，揭示数据筛选‘相变’条件，为实践提供指导，还重新定义‘数据效率’意义。

Meta内讧升级，首席科学家LeCun发帖疑似暗讽新上司Alexandr Wang。LeCun列出“研究员”学术标准，点明研究与工程不同。此前Meta重组，TBD Lab审核FAIR论文，两者理念冲突，FAIR科研独立性受挑战。

斯坦福AI+CS博士Joseph Suarez回顾强化学习历史，指出其曾因学术短视、学界追名逐利走向衰落。如今他坚持用小模型从零开始的RL，重建标准，让研究速度和效果大幅提升。

主流‘预训练 - 后适配’范式有局限，原力灵机联合阶跃星辰提出具身原生 VLA 模型 DM0。它能统一机器人操作与导航，在 RoboChallenge 测试领先，还介绍了架构、训练方法及未来演进方向。

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。

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。

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。

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。

AI顶会NeurIPS发布长推文，就编制2026手册时错误加入美国政府制裁工具链接一事解释、道歉并承诺。但网友不买账，中国科协也停止受理参会资助申请，学术社区信任受损难弥合。

快排算法之父、图灵奖得主托尼·霍尔（Tony Hoare）去世，享年92岁。他提出快速排序，创造霍尔逻辑、CSP并发模型，也引入“空引用”。他出身古典学，学术生涯成果丰硕，荣誉等身。