「基准表发现」共找到 1883 篇相关文章
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
GitHub MCP 注册中心提供了一个发现和部署 MCP 服务器的中心枢纽
GitHub 推出 MCP 注册中心，旨在帮开发者发现和使用 AI 工具，简化 AI agent 连外部工具的过程。它列出 40 多个 MCP 服务器，还展示受欢迎程度。此外，Docker、Postman 等也有相关目录。
迈向原生全模态AI智能体：人大&小红书发布OmniGAIA新基准
中国人民大学等团队推出 OmniGAIA 新基准及 OmniAtlas 训练框架。OmniGAIA 含 360 个高难度任务，覆盖多领域。实验显示闭源与开源模型差距大，OmniAtlas 显著提升开源模型表现，并指出未来全模态智能体发展方向。
Science重磅！新药发现提速千万倍，清华用AI把药物筛选变成向量检索
清华大学团队在《科学》发表DrugCLIP研究，将对比学习引入药物发现，把分子对接转为向量检索，使虚拟筛选速度提升千万倍，还构建全球首个全人类蛋白质组药物筛选数据库。
清华AI找药登Science！一天筛选10万亿次，解决AlphaFold到药物发现的最后一公里
清华大学团队在Science发表论文，研发AI驱动的超高通量药物虚拟筛选平台DrugCLIP。它24小时能完成10万亿次蛋白–分子配对计算，打通从AlphaFold到药物发现通道，完成人类基因组规模筛选，数据已开放。
半世纪计算机理论僵局被打破！MIT科学家偶然发现：少量内存节省大量计算时间
MIT科学家威廉姆斯偶然发现，证明内存比大家认为的更强大，少量的内存与大量的时间一样有价值。他证明存在数学程序，可将算法转换成占用更少空间的形式，成果获好评。
CrowdStrike联手Meta发布AI安全基准，让AI在真实网络攻击中证明自己
美国网络安全巨头CrowdStrike与Meta在Fal.Con 2025大会联合推出开源基准测试套件CyberSOCEval，旨在评估AI大语言模型在真实SOC环境下的网络安全能力，它源于Meta之前框架，开源供全球开发者使用。
零样本刷新三项基准：ZeroDiff++让AI边考试边学习 | TPAMI'26
本文介绍发表于IEEE TPAMI 2026的ZeroDiff++模型，是ICLR 2025 ZeroDiff的扩展工作，针对生成式零样本学习的虚假语义关联、分布脱节问题提出新框架，在三项主流基准刷新成绩
字节发现 DeepSeek 的周期性弱点，我们实测了 V4.1，结果不太一样
本文报道字节Seed团队发现DeepSeek V4基础模型因分块KV压缩存在周期性相位敏感性弱点，作者复刻实验实测现役DeepSeek V4.1-Flash，讨论了长上下文评测的盲区，新版本弱点已明显减轻。
刚刚，马斯克发布Grok-4，在各大基准测试上表现太猛了。
马斯克的 xAI 发布 Grok - 4，在各大基准测试表现出色，如 AIME25 拿满分、GPQA 领先等。第三方测评显示其登顶，编码和数学指数居首。价格与 Grok 3 相同，今日上线但价格高，甚至有已售罄情况。