「半监督评测体系」共找到 1306 篇相关文章
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
有人只用API就猜出了GPT、Claude、Gemini的参数量？社区吵翻了
研究人员李博杰在arXiv发布论文，提出“不可压缩知识探针”评测框架，仅通过黑盒API调用逆向估算LLM参数规模，给出GPT-5.5等模型参数量估算，引发社区广泛讨论与争议。
北大开源统一世界模型框架：多类合成推理任务一套搞定
世界模型研究中，不同任务存在接口不统一等问题。北大DCAI课题组联合多方推出OpenWorldLib推理框架，整合多模态能力，构建标准化接口体系，在多任务上评估效果良好，降低研发门槛。
2026 AI Memory最新综述：从理论到实战，一文读懂AI记忆的进化全景
2026年北邮百家AI MemoryOS团队联合华为发表《Survey on AI Memory》，涵盖AI记忆理论基础、分类体系、架构、评估方法与前沿趋势，还提出4W分类法，剖析了发展挑战与未来方向。
具身智能的「GPT时刻」？高德连发两个全面SOTA的ABot具身基座模型
过去几年，机器人行业面临模型与数据绑定特定场景、能力难以泛化的问题。近日，高德发布 ABot 系列具身基座模型，补齐行业能力缺口，标志具身智能从定制系统转向统一模型，有望降低开发门槛。
Anthropic最新2026趋势报告：人类最大一次编程革命势不可挡
Anthropic发布《2026年智能体编码趋势报告》，指出编程规则改变，任何人都能成开发者。报告给出8大趋势，如软件开发生命周期剧变、智能体能力提升等，还给出2026年组织需关注的4大领域。
XAML Studio 开源：一款老牌原型工具，如何在 WinUI 时代重获生命力
Microsoft将老牌原型工具XAML Studio开源并纳入.NET Foundation体系。它起源于2017年黑客松，此次开源版本有重大更新，虽未稳定，但有望为开发者带来价值，也利于后续改进。
奥特曼小号泄密：OpenAI代码工作100%交给Codex！工程师才揭底Codex“大脑”运行逻辑，碾压Claude架构？
近日，OpenAI工程师揭秘Codex“大脑”运行逻辑，介绍其智能体循环及构建提示词等过程。还提及用1个PostgreSQL主库和50个只读副本顶住8亿用户，同时持续探索数据库性能极限。
Nature 正刊收录！清华 FIB 实验室揭示：AI 提升科学家个人影响力，却收缩科学整体探索空间
清华大学 FIB 实验室牵头研究表明，AI 在自然科学应用广泛，提升科学家个人影响力，但使科学整体探索空间收缩。研究基于大量论文和人员数据，还提出科研智能体系统 OmniScientist 缓解问题。
社区供稿丨AgentCPM-Explore开源，4B 参数突破端侧智能体模型性能壁垒
清华大学、中国人民大学等联合研发的 AgentCPM-Explore 智能体模型开源，它基于 4B 参数，在深度探索类任务表现佳。有打破参数壁垒等亮点，还开源配套工具，提供应对小模型挑战方法，邀伙伴共建生态。