「GAIA 基准测试」共找到 2059 篇相关文章
太野了！某龙虾自爆安全漏洞
国内几家厂商上线基于 OpenClaw 的 Claw AI Agent 产品，功能强大。作者测试其中一家，发现它轻易暴露大量信息和安全漏洞，如 Claude API 代理无认证、IMDS 元数据服务无防护等。建议相关厂商自查加固。
谷歌最新 Gemini Agent 爆击GPT-5.2？人类最后考试得分见分晓！网友：Altman又该发“红色警报”了
全球人工智能竞争升温，谷歌与 OpenAI 同日发布更新。谷歌推出全新 Gemini Deep Research 版本及嵌入式研究智能体 API，OpenAI 发布 GPT - 5.2。谷歌新工具能力提升，测试成绩佳，引发网友不同看法，二者竞争激烈。
字节前技术负责人创业，联手清华姚班校友，编程智能体世界登顶
词元无限团队开发的编码智能体 InfCode，在权威 AI Coding 基准中登顶。它定义 AI 编程「工程时代」，有代码意图分析等亮点，背后是豪华团队，致力于构建商业闭环。
刚刚，Cursor 2.0携自研模型Composer强势登场，不再只做「壳」
Cursor 2.0发布重大更新，带来自研编码模型Composer和新协作界面。Composer速度领先，针对软件工程优化；新界面以智能体为中心，可并行运行多智能体，还解决了代码评审和测试瓶颈。
比Qwen3-Max更Max？夸克抢先用上最新闭源模型
10月23日夸克上线对话助手，采用比Qwen3 - Max更优的Qwen最新闭源模型，实现AI搜索与对话深度融合。经测试其搜索、理解、写作等能力出色，技术架构创新，是阿里‘模型即应用’战略体现。
马斯克：Grok 5 将实现真正的 AGI
Vending Bench测试中，xAI的Grok 4以近两倍销售量和31%高收益击败GPT - 5，展现惊人稳定性。马斯克却称Grok 5有机会成真正AGI，引发网友各种反应，Grok 4虽领先但也有争议。
10%训练数据超越100%表现，机器人学习领域迎来重要突破
密歇根大学和瑞典皇家理工学院团队提出 ViSA - Flow 框架，能从人类视频提取语义动作流，提升机器人数据稀缺时学习效率。在 CALVIN 测试中，用 10% 训练数据超越 100% 数据方法，有技术优势也存在局限。
快手&中科院 | 提出多模态奖励模型：R1-Reward，比SOTA模型提升5%-15%！
多模态奖励模型对提升多模态大语言模型表现至关重要，但现有强化学习算法用于训练存在问题。快手、中科院等团队提出 R1 - Reward，在基准上比 SOTA 提升 5% - 15%，还在快手业务场景成功应用。
英伟达把8个AI和8台机器人关在一起，它们学会了自己做实验
英伟达高级研究科学家公布“ENPIRE”项目，8个AI与8台机器人组成科研团队，能自主做实验。研究测试三种coding agent，Codex表现最佳。系统分两阶段，虽有局限但有新发现。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。