「专家级表现」共找到 3393 篇相关文章
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
56亿颗芯片撑起230亿市值！北交所芯片第一股今日上市
8月12日杰理科技于北交所上市，成“芯片设计第一股”。其以蓝牙音频为基本盘，产品进众多品牌供应链。2023 - 2025年营收有波动，业绩在2025年回落。募资投向三大项目，后续表现待察。
手撕、翻滚、暴力砸地！最「扛造」的灵巧手来了
4月17日智元合作伙伴大会上，临界点AGILINK发布三款新品，包括旗舰级工业绳驱灵巧手OmniHand 3 Ultra - T、普惠型耐造小手OmniHand 3 Lite和全面焕新的具身夹爪OmniPicker 3，各有优势且兼顾量产与开源。
从 0 到 25 万行：一个 100% AI 编码项目，真正难的不是生成，而是治理
作者分享 Routa 项目用 AI 驱动开发的经验，指出 100% AI 编码项目真正难的是治理。介绍多个工具参与情况，阐述项目长出反馈系统的过程，包括规则入口、上下文收敛、提交前约束及仓库级裁决等。
蚂蚁集团扩散大语言模型新突破：超800Token/s，速度与质量兼得
蚂蚁集团将LLaDA更新到2.1，通过引入“草稿 - 编辑”机制，打破扩散模型推理速度与质量的对立僵局。它有极速和质量两种模式，还采用混合训练流程及强化学习，在多基准测试中表现出色。
1人1假期，肝完10年编程量！马斯克锐评：奇点来了
硅谷大佬新年收假分享编程Agent提效成果，Midjourney创始人假期编程量超过去10年，马斯克称进入奇点。多位工程师也有类似体验，Claude在编程方面表现出色，国产字节TRAE中国版SOLO全量免费开放。
思维链推理是一种脆弱的‘海市蜃楼’，一旦超出训练分布，它便会消失。| 直播预约
思维链提示能提升LLM在多任务上的表现，让人感觉模型在深思熟虑。但研究从数据分布角度剖析，发现思维链推理是脆弱的‘海市蜃楼’，超出训练分布就会消失，强调实现通用推理能力挑战大。
模型宣称的“百万字处理能力”是真本事，还是营销噱头？LongCodeBench揭露真相
近年来大模型号称有百万字处理能力，但这是真本事还是噱头存疑。论文用LongCodeBench测评工具揭开长上下文模型真实表现，测试顶尖模型发现长文本能力‘翻车’，还分析了长上下文难的原因及面临的瓶颈。
王梦迪、丛乐团队Science Earth：当组织本身开始涌现，全球科学能力第一次在同一张网上互相发现
王梦迪、丛乐团队在arXiv发布预印本论文，推出面向AI原生科学发现的行星级操作系统Science Earth，它能连接全球科学能力。文中通过两个案例展示其作用，并介绍协调内核EACN，还公开了论文、代码与网络。
拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？
企业级多智能体系统瓶颈常是负责分发任务的传统 Router 太“傻”，搞不定跨域、解不了冲突、跟不上变化。腾讯云开源 TCAR 智能路由模型，它先推理再选 Agent 集合，经多数据集评测表现出色，还提供完整开源范式。