「真机数据」共找到 2856 篇相关文章
Codeforces难题不够刷？谢赛宁等造了个AI出题机，能生成原创编程题
LiveCodeBench Pro团队推出AutoCode框架，利用LLM自动化竞赛编程问题创建与评估。该框架结合验证器 - 生成器 - 检查器框架与双重验证协议，在测试用例生成上可靠性佳，还能生成新问题，同时揭示了LLM在创作上的优劣势。
首个代码世界模型引爆AI圈，能让智能体学会「真推理」，Meta开源
Meta重组后的AI部门推出首个代码世界模型CWM，是320亿参数开放权重LLM。它与传统大模型思路不同，能模拟代码执行。CWM在通用编程与数学任务表现不错，Meta还开放相关检查点以支持研究。
GPT-5“变笨”实锤，退休教授出了道井字棋送分题，结果它真送了
退休经济学教授用井字棋简单问题测试GPT - 5，其表现拉胯，与“博士级AI”宣传不符。后续操作离谱，或因OpenAI策略调整。此外，OpenAI在测ChatGPT新功能，奥特曼开始炒GPT - 6。
挤不动的世界机器人大会上，自变量秀出了真·通用具身智能
2025世界机器人大会上，自变量机器人展示多项成果。通用轮式双臂机器人“小量”“小白”能完成制作香囊、家务整理等任务；“量子2号”仿人形机器人动作精准自然；其具身智能基座模型WALL - A有强大泛化性。
谷歌深夜打假！27页论文全公开，揭秘Gemini如何碾压OpenAI，拿下IMO真金牌
OpenAI高调庆祝自家模型获IMO金牌，谷歌DeepMind携官方认证和27页论文官宣Gemini碾压夺金。谷歌公开解题方法论，介绍三步思考法及相关Prompt，还对比批评了OpenAI的做法。
LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”
OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。
刚刚，OpenAI全员放假一周！被Meta高薪连挖8人「偷家」，真麻了
生成式AI竞争激烈，OpenAI却宣布全员放假一周，原因是被Meta高薪连挖8人。OpenAI高管承诺正面交锋，Mark Chen称不会袖手旁观，还鼓励员工留下，公司更专注实现通用人工智能。
如何让AI写出高质量的数据分析报告？DataV-Note的评估体系揭秘
本文围绕DataV - Note智能分析创作平台评估体系建设展开，指出智能工具缺乏统一评估标准等问题。介绍评估模型目标、设计、标准，采用纵向和横向评估方式，还提及未来接入自动化和提升准确度的规划。
英伟达笑到最后！训练2000步，1.5B逆袭7B巨兽，Scaling真来了
英伟达团队提出ProRL训练法，将强化学习扩展到超2000步。用此方法训练的15亿参数模型媲美70亿参数的Deepseek - R1 - 7B，在多任务中表现出色，解决了熵崩溃和训练不稳定问题。
Agent全自动搭建代码运行环境，实时更新解决评测过拟合/数据污染问题｜微软
长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。