「实验评测」共找到 1864 篇相关文章
谷歌Deep Think八语奥赛屠榜！自主攻克4大未解难题，科研壁垒崩塌
谷歌Deep Think横扫亚欧多语种竞赛，成绩亮眼。虽评测数据来自内部，未公开细节且是区域赛，但它定位为‘人类智力倍增器’，其驱动的Aletheia已产出论文，解决4个未解问题，在多领域展现潜力。
黑马图像模型被Nano Banana技术负责人点赞！15人华人小队，DDIM之父&CVPR最佳论文作者带队
Luma AI推出全新图像模型Uni - 1，对标谷歌Nano Banana Pro和GPT Image 1.5。它是统一图像理解与生成模型，多项评测表现出色。背后是不到15人的华人团队，由DDIM之父和CVPR最佳论文作者带队。
System 3 觉醒：从“工具”到“物种”的根本改变
西湖大学与上海交大新论文提出System 3概念及Sophia框架，将认知心理学概念映射到代码模块，让AI Agent像“生命体”生存。采用前向学习和混合奖励机制，实验显示其能力显著进化，为人工生命指明道路。
直播预约 | 如何缓解LLM-as-a-Judge的潜在偏好？UDA：一种无需人工标注的无监督去偏对齐框架
论文针对不同大模型对同一组大模型回答打分差异大等问题，提出无需人工标注、模型无关、即插即用的UDA框架，以无监督方式动态调整Elo评分，实验表明该方法能降低打分标准差、提升与人类评分相关系数。
Temperature Scaling可大幅提高Test-Time Scaling瓶颈！
大型语言模型解决复杂推理问题时，测试时扩展（TTS）是提升性能的途径之一。但传统TTS依赖增加样本数量，性能提升有瓶颈。本文提出温度缩放新思路，实验表明其能大幅提升性能，还给出降低成本方法。
算力成本大降！马尔可夫思考机来了，LLM推理成本直接降为线性
用强化学习让LLM具备推理能力耗费颇高，计算量会二次级增长。Mila和微软研究院等团队提出马尔可夫式思考机，重构强化学习形式，让计算量呈线性，实验效果显著，还能与先进模型兼容。
李飞飞一年前究竟说了啥？怎么又火了
AI教母李飞飞一年前访谈再引关注，她指出大语言模型或许并非真正智能，其基于一维语言信号训练，在理解三维物理世界存在局限。相关实验也证实大模型在物理任务表现差，不过也有人提出不同观点。
刚刚，OpenAI前CTO Mira Murati公司Thinking Machines Lab发文，揭开了大模型不确定性的真相
OpenAI前CTO Mira Murati创立的Thinking Machines Lab推出研究博客Connectionism，首篇文章聚焦LLM推理的非确定性问题。研究发现真正原因是批次不变性缺失，提出实现批次不变内核的方案，实验效果显著。
AAAI2025、POF | 西湖大学冯浩东、范迪夏等：如何在不准确物理信息和部分观测下利用物理信息建模流体力学系统
此文章聚焦在不准确物理信息和部分观测下利用物理信息建模流体力学系统问题。提出RPLPO与PIPO算法，前者解决部分观测模型泛化性，后者解决不准确物理信息在部分观测中的应用，实验验证了算法有效性。
李志飞：1 个人、2 天做出 AI 时代的「飞书」，真正的 Founder Mode
出门问问创始人李志飞在「TicNote」发布会上分享「一人公司」实验。他用AI编程工具2天做出AI时代“飞书”原型，还谈了使用AI编程问题、对智能和Agent思考等，重新找回AGI信仰。