「基准榜单」共找到 1481 篇相关文章
18岁女孩做养老机器人，上线2天卖爆了
18岁女孩Audrey Lo和团队推出养老机器人Sam，上线两天订单多到网站崩溃。它能24小时监测老人安全、提供陪伴，还可辅助护理人员。Audrey Lo此前还有两次创业经历，这款产品戳中市场痛点。
开源要变天了，刚刚，OpenAI开源gpt-oss-20/120b，o4-mini水平，主打Agentic
OpenAI正式开源gpt-oss模型，Anthropic推出Claude Opus 4.1，Google DeepMind发布Genie 3。gpt-oss有20B和120B两个版本，前者可在边缘设备运行，后者综合能力强，在多方面表现出色。
Meta 超级智能团队全部 44 人详细名单泄漏！
Meta超级智能团队全部44人详细名单泄漏，中国成员占比高，成员多有博士学位，多来自OpenAI等，部分为L8+级别，不少是第一代移民，成员年薪或在1000万至1亿美元间。
文心大模型 4.5 系列正式开源，涵盖 10 余款模型
6月30日，百度正式开源文心大模型4.5系列，含10款模型，实现预训练权重和推理代码全开源。可在飞桨星河社区等平台下载，百度实现框架与模型“双层开源”，技术创新多，性能表现优。
细粒度视觉推理链引入数学领域，准确率暴涨32%，港中文MMLab打破多模态数学推理瓶颈
香港中文大学MMLab团队发布MINT - CoT视觉推理方案，解决多模态数学推理难题。它引入特殊Interleave Token，构建专属数据集，采用三阶段训练策略，实验效果全面超越现有方法。
DeepMind 提出 CaMeL，抵御 LLM 提示词注入
谷歌DeepMind研究人员提出CaMeL，作为围绕LLM的防御层，通过提取查询中的控制流和数据流阻止恶意输入，能在AgentDojo基准测试中抵御67%攻击，采用传统软件安全原则。
爆改！8.1 万 Star LobeHub ，终于让我彻底解放啦！！！！！
LobeHub是开源的Agent工作与生活空间，GitHub约8.1万Star。它将Agent作为工作基本单位，解决了多Agent管理难题，有创建、协作、调度等功能，还介绍了工作流和自托管方法。
VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破
当前VLA模型常依赖视觉线索而非语言指令，导致新场景表现不佳。论文提出LangForce方法，引入对数似然比损失，强化模型对语言的依赖，提升分布外泛化能力，还保留语言核心功能。
TACO: 让 CLI Agent 在自主迭代中学会丢掉无用上下文
由多校及研究团队联合提出 TACO，这是无需训练、即插即用的终端智能体自进化观测压缩框架。它能让智能体学习压缩规则，过滤低价值输出，保留关键线索，实验显示其提升了任务成功率和 token 效率。
图像编辑模型不止生成：BIGAI&上交大提出EAR范式，系统测试其视觉规划能力
上海交通大学联合北京通用人工智能研究院提出EAR范式，构建AMAZE基准，分析图像编辑模型视觉推理能力。研究发现模型零样本表现弱，扩散式模型更适合视觉规划，CoT效果不稳定等。