「长程任务能力」共找到 4743 篇相关文章
AI自己写代码做科研还跑赢了前沿算法？清华团队开源Alchemy框架
清华团队开源 Alchemy 框架，它是面向自动化 AI 科研的标准化研究环境，能让 AI Scientist 摆脱工程负担，专注算法创新，还支持多领域、多任务，具有多种特性，在多模态推荐任务中表现出色。
全网疯传！Claude最新模型意外曝光：全面碾压Opus 4.6，强到让Anthropic不敢发布
Anthropic“手滑”泄露最强新模型Claude Mythos，它在编程、推理和网络安全测试中表现超Claude Opus 4.6。因模型“黑客能力”强，Anthropic发布谨慎。此外，该公司还意外泄露3000多未发布文件。
旧手机除了放转转，还能放数据中心提供算力
Google和UC San Diego合作，将退役Pixel手机拆解成主板组成计算集群，跑教学科研任务。研究表明，旧手机算力仍有价值，可用于轻量任务，还能降低隐含碳，或催生新产业链。
ACL 2025｜自我怀疑还是自我纠正？清华团队揭示LLMs反思技术的暗面
本文指出反思技术虽简单有效，但在多种LLMs和任务中会失败。清华团队剖析其在开源和闭源LLMs、四种任务上失败原因，提出轻量级缓解方案，为反思技术可解释性研究奠基。
我给 Claude Code 加装了 MiniMax M2.5：它像“法拉利”，但更像一台工作机
作者给 Claude Code 加装 MiniMax M2.5 模型，测试其编程、上下文记忆等能力。M2.5 在多方面表现出色，能高效完成各类开发任务，还具备良好的中文处理能力，性价比高。
谷歌Nano Banana全网刷屏，起底背后团队
谷歌开发者节目展示了Gemini 2.5 Flash Image模型，它能快速生成高质量图像、保持场景一致。文中起底背后团队成员，还介绍模型技术亮点、与Imagen对比及未来能力展望。
原生Agent杀入画布！一站式搞定专业创作，全程可控、不抽卡
国内RunningHub平台推出原生AI智能体全能内容创作平台RHTV，它能一站式搞定专业创作，流程可控。实测显示，它能编排短剧、生成商用物料，还内置影视级工具，且依托庞大生态，能力无上限。
ACL'25 | CIGEval：一种基于多模态大模型的可控生图评测智能体
阿里国际AI团队提出CIGEval，这是基于多模态大模型驱动的图像生成评估智能体框架。它集成多功能工具箱，通过任务拆解与工具调度提升评估准确性与可解释性，已在ComfyUI - Copilot上线。
Anthropic最新论文：检测LLM内省意识的方法
Anthropic与MIT等研究表明，LLM能‘感知’被注入的steering vector，‘内省意识’在DPO等后训练阶段涌现。研究构建实验，发现内省能力行为稳健、检测非简单线性关联等，还揭示检测与识别机制不同及两阶段电路。
机器人界的「Imagenet 时刻」，李飞飞团队官宣全球顶级具身智能挑战赛
李飞飞团队与斯坦福AI实验室官宣首届BEHAVIOR挑战赛将登陆NeurIPS 2025。这是具身智能“超级benchmark”，涵盖1000个日常任务，以50个长时段任务为核心赛题，还是全面的具身智能研究资源。