「工程基准」共找到 1647 篇相关文章
具身智能开始进入「下半场」：从会干活到干完活
具身智能正处热门，国内今年上半年赛道融资额高涨。但钱与落地有落差，拉格朗日具身技术自研 Agentic OS，采用分层智能架构处理工程问题。还推动工序重构，制定技能矩阵和排期计划，其团队背景多元，赌让机器人干完活路径。
1.5B刷新数学代码SOTA！快手&清华精细化Token管理，LLM推理能力飙升
快手与清华团队用1.5B参数小模型在推理基准上超越同量级SOTA。其Archer方法通过精细化Token管理，对知识型和推理型Token差异化训练，让知识和推理同步更新且互不干扰，在数学和代码任务表现出色。
6.1B激活，三榜开源第一！蚂蚁·安诊儿医疗大模型发布
由浙江省卫生健康信息中心等联合研发的开源医疗语言模型AntAngelMed发布。它基于Ling - flash - 2.0，100B总参数仅激活6.1B达约40B密集模型性能，在多个权威医疗基准测评中居前列，采用三阶段训练流程，高效MoE架构。
AI 取代不了放射科医生
人们曾认为AI图像识别技术会让放射科医生被淘汰，如杰弗里·辛顿预言应停止培训该类医生。但过去十年，放射科医生需求反而增加。文章以其为例，分析AI难取代的原因，如基准测试局限、医生工作复杂、AI落地困难等。
RL加持的3D生成时代来了！首个「R1 式」文本到3D推理大模型AR3D-R1登场
强化学习首次被系统性拓展到文本到3D生成领域，上海人工智能实验室等机构研究者提出首个强化学习增强的文本到3D自回归模型AR3D - R1，还提出Hi - GRPO范式和MME - 3DR基准，实验显示其性能优异。
AI真能用好科研软件吗？清华团队推出OSWorld-Science，智能体迎接硬核大考
本文针对AI能否自主操作科研软件完成真实科研任务的问题，介绍了清华大学牵头多机构推出的OSWorld-Science，这是面向真实科研场景的智能体评测基准，包含146项真实科研任务，评测了12个主流模型，曝光了当前智能体的能力短板，为领域研究提供了统一评测基础。
GPT-6「看不懂 3D」实锤！250道题只拿0.53分，Claude没及格
AI 研究机构 UniPat 推出跨学科 3D 科学评测基准 ScienceVision，涵盖生物、建筑等 5 领域的 250 道题。测试中表现最好的大模型最高仅得 0.53 分（满分 1 分）。
0.8B！小米开源新模型，让超级小爱识屏主动办事
小米开源仅 0.8B 参数的文档理解模型 Xiaomi-OCR-0，将解析、信息抽取与视觉问答融于一体，在1B以下文档解析基准中排名第一，技术已用于超级小爱识屏。
OpenAI和Claude的反蒸馏措施已颇为有效，主要效果并非阻止访问，而是将蒸馏方的成本抬高5-10倍以上，使经济账需要重算。 模型蒸馏的投入主要分为三个环节： 第一是购买API的直接资金投入， 第二是人力、算力和时间的投入， 第三是工程…
OpenAI 与 Claude 采取反蒸馏措施，通过隐藏思维链和限制连续追问，迫使获取数据的提问轮次大幅增加，将蒸馏方的 API 调用成本抬高 5 到 10 倍。
干货｜4000 字深度拆解：Agent Native 时代的本体论实践
火山引擎数智平台推出知识引擎 VeKnow，通过 Agent Harness 架构实现自动化本体构建与持续评测，在制造售后场景中将交付周期由四周压缩至最快一周。