「AI基准测试」共找到 10997 篇相关文章
又一个Genie 3来了！刚上线挤爆服务器，Mirage 2把世界模型玩成在线游戏
全球首款AI原生UGC游戏引擎Mirage迎来2.0版本。它能将图像转为可互动3D世界，还能用文本重塑。和Genie 3相比控制类别更丰富，虽有进展但仍有动作控制、视觉稳定等问题待解决。
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
复盘 ChatGPT：7 亿周活的 ToC 产品，如何在模型之外做增长？
Lenny播客邀请OpenAI的ChatGPT负责人Nick Turley对谈，他分享了ChatGPT从内部项目成长为7亿周活产品的过程，包括产品开发、增长、定价决策等，还阐述了成功原因、增长方法等，为AI创业者带来启发。
3B小模型，编程得分比肩Opus 4.5，神秘模型引发热议，原是国产
最近，3B小模型VibeThinker - 3B在X上火了，它在编程等推理任务上比肩前沿大模型，体积却小很多。它是国产模型，来自新浪微博团队，在各项基准测试表现出色，不过在通用知识领域表现欠佳。
56倍加速生成式策略：西交大提出EfficientFlow，迈向高效具身智能
生成式模型在机器人和具身智能领域面临训练依赖大量数据、推理慢的问题。西安交通大学团队提出EfficientFlow，融合等变建模与高效流匹配，提升数据效率，压缩推理迭代步数，在多基准实现SOTA，推理提效显著。
预训练就学会思考！字节、北大等用14亿参数，撬动百亿模型推理能力
字节、北大等联合发布Ouro模型，用14亿参数实现百亿级模型推理能力。它在预训练阶段学会循环思考，通过三大创新构建推理能力，在基准测试中表现优异，实现参数效率提升，是潜在推理范式的胜利。
可灵 2.1 首尾帧藏师傅外挂教程：两张图→大片，附万能提示词
作者分享可灵 2.1 首尾帧模型测试与使用教程，解决图片和提示词生成难题。介绍三种拿图法，给出 AI 生成提示词方法及原则，还指出可将流程固化、特效升维，提升视频创作效率与价值。
穿上唐装，黄仁勋在急什么？
北京时间7月16日，黄仁勋穿唐装在「链博会」演讲。此前英伟达H20芯片获出口资格，RTX Pro芯片将在华发售。他与雷军聊AI和小米汽车，谈H20芯片、Meta抢人等话题，还称财务自由无梦想。
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% | 清华腾讯斯坦福联合
清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。
OpenAI Astra被曝引入「循环深度」能力飙升！安全专家坐不住了
OpenAI 最强新模型 Astra 或即将发布，它是首个达「关键级」网络安全能力门槛的模型，在测试中表现优异。《The Information》爆料其用「循环深度」技术，能力提升但引发安全专家担忧，该技术可使模型内部计算增多，思维链监控或失效。