「基准测试集」共找到 2447 篇相关文章
断网解题，Claude Mythos推翻Erdős 80年猜想！比OpenAI更短更漂亮
OpenAI用125页思维链解开Erdős 80年猜想，Anthropic研究员Levent Alpoge让Mythos断网测试，找到更短更简洁路径。Mythos用数论方法打破僵局，过去一周OpenAI、DeepMind、Anthropic分别攻克相关难题。
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。
YC 编写的 《Vibe Coding 指南》
本文是 YC 编写的《Vibe Coding 指南》，采访多位创始人总结出 AI 协作编程指南，涵盖规划流程、版本控制、测试框架等多方面，还提及 AI 在编码外的应用及持续改进方法。
我给 Claude Code 加装了 MiniMax M2.5：它像“法拉利”，但更像一台工作机
作者给 Claude Code 加装 MiniMax M2.5 模型，测试其编程、上下文记忆等能力。M2.5 在多方面表现出色，能高效完成各类开发任务，还具备良好的中文处理能力，性价比高。
Meta提出数据筛选的理论：何时“少即是多”成立？
Meta针对机器学习领域‘少即是多’悖论提出理论框架，用高维统计等方法推导测试误差缩放定律，揭示数据筛选‘相变’条件，为实践提供指导，还重新定义‘数据效率’意义。
物理AI的「原生」时刻：原力灵机发布具身大模型DM0
主流‘预训练 - 后适配’范式有局限，原力灵机联合阶跃星辰提出具身原生 VLA 模型 DM0。它能统一机器人操作与导航，在 RoboChallenge 测试领先，还介绍了架构、训练方法及未来演进方向。
Google 新论文离谱到家了，0延迟0成本通用，提升大模型准确率最简单的方法。
Google新论文提出简单提升大模型准确率的方法，即重复提示词，把完全一致的输入连续发2次。主流模型适用，经70项benchmark测试，0场景效果倒退，47个场景准确率提升，且几乎不增延迟、成本。
CVPR 2025 | 多模态统一学习新范式来了，数据、模型、代码全部开源
中国人民大学、清华和腾讯合作的CVPR 2025论文指出，当前多模态学习范式有缺陷。为此提出新范式，构建AV - UIE数据集、Crab框架，实现任务互助，在多任务上超垂类专家模型，数据、模型、代码开源。
缓存命中率99.93%！DeepSeek最适合的Harness来了，GitHub狂揽8.6万Star
DeepSeek官方版Harness未出，民间开源编程Agent「Pi」先火。它适配DeepSeek，让其缓存不命中率低至0.03%，调用成本大降。Composio测试显示Pi完成任务平均成本最低。同时，DeepSeek正组建团队做官方Harness。
这个春节P图不求人！小红书开源图像编辑新SOTA
今日小红书基础模型FireRed - Image - Edit亮相，在复杂编辑指令、风格化转换等核心指标表现强，在多项权威测试达SOTA。该项目代码等已开源，模型权重将开源。团队还推出RedEdit Bench评测方案。