「测试评估集」共找到 2678 篇相关文章
春晚武BOT论文来了！王兴兴署名，同步开源其架构
宇树发布武BOT技术论文，王兴兴署名，同步开源OmniXtreme架构。该架构通过双阶段框架，打破学习和物理可执行性瓶颈，在高保真度与可扩展性间权衡，经测试在真实硬件上表现出色。
一天两枚“代码核弹”：OpenAI 祭出首个“主打实时协作”的 Codex 模型，谷歌放出 Gemini Deep Think，码力冲到世界前8
OpenAI 发布 GPT - 5.3 - Codex - Spark 研究预览版，专为实时编码设计，降低交互延迟。谷歌更新 Gemini 3 Deep Think，面向科研与工程难题，在多领域测试表现出色，二者引发网友热议。
来自MiniMax M2.5的震撼 ：小尺寸几乎打平opus4.6，巨便宜，巨能干活，速度巨快
MiniMax M2.5正式发布，是优秀国产模型。它专注极致优化，部署方便、价格实惠、性能顶尖。在多项基准测试表现出色，速度提升、成本降低，多维度实现突破，已在MiniMax Agent全面部署。
Cloudflare 用 Rust 重写核心系统：CDN 性能提升 25%，响应时间缩短 10 毫秒
Cloudflare 宣布用 Rust 重写核心子系统，响应时间缩短 10 毫秒、性能提升 25%。基于代理框架 Oxy 构建 FL2，创建中间层让 Rust 模块在旧系统运行，还制定测试发布策略及回退机制。
ICCV 2025 | 港科、牛津大学发布AlignGuard，文图生成模型可规模化安全对齐框架
随着文图生成模型广泛应用，其安全防护机制有限。ICCV 2025上，港科、牛津大学推出AlignGuard，是文图生成模型可规模化安全对齐框架，通过生成CoProV2数据集等实现安全对齐，实验效果佳。
ACMMM 2025 | 北大团队提出 InteractMove：3D场景中人与可移动物体交互动作生成新框架
北大团队在ACMMM 2025发布InteractMove，首次提出含可移动物体3D场景中基于文本的人 - 物交互生成任务，构建数据集与创新框架，在多指标领先，代码与模型已开源。
OpenAI罕见发论文：我们找到了AI幻觉的罪魁祸首
AI“幻觉”是阻碍完全信任AI的关键障碍，目前无根治良方。OpenAI罕见发论文揭示其根源，指出标准训练和评估程序奖励猜测，应加大对自信错误的惩罚，奖励表达不确定性。
DeepSeek V3.1 突发离谱「极」字Bug的原因找到了~
DeepSeek V3.1被曝恶意漏洞，生成文本时会突然插入“极”字。该漏洞在第三方API平台和官方Playground均有出现，可能因数据集“污染”或模型“偷懒”，严重影响高精度场景。
GPT-5的所有传言，以及，Sora 2？
OpenAI今晚1点举办直播，GPT - 5将亮相。发布前关键信息汇总，包括直播时长变长、GitHub泄露四个版本、三档定价策略、突破人类基准测试等，还或同步发布Sora 2。
训练200万小时！OpenAI刚刚开源GPT-oss，AI Agent专属模型、可商用
今天凌晨OpenAI开源大模型GPT-oss，有1200亿和200亿两种参数，支持商用。它针对AI Agent训练，功能丰富。训练耗时超200万小时，测试表现出色，架构设计也有亮点。