谷歌推出超强免费开源模型，手机端运行只需2B内存
近日，谷歌DeepMind宣布开源Gemma 4系列模型，并表示这是该公司迄今为止最智能的开放模型。据官方博客透露，这款新模型专为高级推理和智能体工作流设计，在单位参数下的智能水平达到了前所未有的高度。目前，该系列中的31B模型在Arena AI文本排行榜上位居全球开放模型第三位，并且在GPQA Diamond高难度科学推理基准测试中取得了85.7%的准确率，仅稍逊于Qwen 27B模型（85.8
科技0 阅读
搜索: "基准测试"
共找到 16 篇相关文章
掌握核心，超越画质：解读阿里Wan2.7-Image创新技术｜甲子光年
千人千面、超长文本、指哪改哪，AI生图模型离生产力不远了。作者｜王艺过去一年，AI生图、生视频赛道的竞争烈度远超预期。国际上，GPT-Image系列持续迭代，Nano Banana Pro在多项基准测试中拉开身位；国内，可灵3.0、Seedance 2.0、Vidu Q3等模型你方唱罢我登场，在声画同步、视频生成长度、叙事连贯性方面卷出新高度。尽管图像和视频生成模型进展飞速，但目前的AI视频技术距
科技1 阅读
Claude基准测试细节意外流出，Anthropic新成果引发关注，代码藏隐秘信息
新智元报道最近，有关Anthropic公司最新研发的Mythos模型基准测试结果被意外曝光的消息引起了广泛关注。这一泄露不仅刷新了多项性能记录，还透露出了代号为capabara-v2-fast的新版本细节。在过去的一天里，整个AI行业的气氛都充满了紧张与兴奋。首先披露的是Claude Code的源代码。Anthropic公司的这款命令行终端工具在GitHub上意外泄露后，迅速引起了广泛关注。许多开
科技0 阅读
人工智能的图像识别能力或源于人为构建
一位学生因为疏忽了一行代码而意外发现了一个严重问题。在一个用于医学多模态人工智能的项目中，这行代码本应使模型能够读取图像数据，但由于这次失误，实际上模型并未接触任何图片资料。尽管理应出现错误或拒绝回答，该系统却依然正常运行，并且在没有获取到图象信息的情况下完成了全部分析过程，甚至在基准测试中取得了高分。斯坦福大学最近发表的一篇论文对这一现象进行了深入研究并指出，目前许多多模态AI模型，在未能正确读
科技0 阅读
顶尖大模型一夜之间遭遇滑铁卢！人类满分通过最难测试，AI仅获0.2%分数
新智元报道全球人工智能领域最近受到了一次强烈的冲击。一项名为ARC-AGI-3的全球最艰难的人工智能测试刚刚发布，让顶尖的人工智能模型集体哑口无言。人类在这次测试中获得了满分，而最强大的模型Opus 4.6仅得0.2%，远远不及人类的成绩。今天，这个消息让整个AI圈为之震动。期待已久的全球唯一的未饱和智能体基准测试ARC-AGI-3一经推出，便让全球顶尖的大模型黯然失色。在这次测试中，人类的得分达
科技2 阅读
北大系创业团队推出4B模型，推理速度提升15倍，成本锐减95%，挑战DeepSeek-V3.2
头图由AI生成近日，一家由北京大学背景的团队创立的人工智能编程初创公司——硅心科技，发布了其最新研发的轻量级模型aiX-apply-4B。这款模型仅需4B的参数量和256K的上下文支持，能够在消费级显卡上进行部署。该模型专为企业级代码修改任务设计，能够自动识别修改意图，精确定位目标代码区域，并保持原有代码格式和上下文结构的完整，将修改后的代码无缝融入原始文件。在基准测试中，aiX-apply模型在
科技16 阅读
CVPR2026：Streamo——将大型模型转变为实时交互流助手
在 MVBench 和 VideoMME 等离线基准测试中，视频大模型表现优异，然而在实际交互场景中，仍面临两个主要挑战：如何处理无边界视频流以及如何在动态视频流中确定响应时机。最近，香港浸会大学与腾讯优图实验室合作，提出了 Streamo，其创新之处在于将“何时回答”这一决策纳入模型预测，通过端到端训练框架直接将离线视频模型转换为实时流视频助手。Streamo 能处理真实场景中的视频流，支持实时
科技1 阅读
马斯克表态xAI追赶计划：预计2026年迎头赶上，2029年超越对手
最近，马斯克在 X 平台上对一份分析报告作出了回应，该报告将他的人工智能项目 xAI 评价为落后于行业内的领先企业。马斯克一贯以大胆的风格回应外界批评。这份于3月14日发布的帖子是对预测师彼得·威尔德福德的评估直接回应。威尔德福德的评估依据各类基准测试和公开报道，对人工智能开发商进行了排名。在这份排名中，Anthropic、谷歌和 OpenAI 被列为第一梯队，xAI 则与 Meta 并列，落后约
科技3 阅读
OpenAI推出GPT-5.4：全能模型震撼登场
GPT-5.4 来了！这款新版本融合了推理、编程、电脑使用等多个领域的技术。 它将这些能力整合到了一个模型中，且每一项性能并未因此受损。 OpenAI在多个关键基准测试中证明了GPT-5.4的领先地位。 开发者们特别关注其原生支持“计算机使用”这一功能。 GPT-5.4推出后，人们对它的期待越来越高。 在官方博客文章中，提到该版本效率有了显著提升。 相较于GPT-5.2，新版在推理过程中使用
AI7 阅读
IQuest Research 推出 UBio - MolFM：实现高精度与高速度的生物大分子模拟技术
在涉及1,300至1,500原子规模的高精度DFT基准测试中，实现了卓越水平的精确度，并能够支持单卡处理高达15万个原子的数据量。精确模拟分子在药物开发、蛋白质结构研究和核酸功能分析等领域至关重要。然而，长期以来，这些领域一直受到“尺度与精度”之间矛盾的影响：高精度量子化学方法通常只能涵盖数百个原子，而更可扩展的经典力场则难以描述复杂分子间的相互作用及非局部效应。尽管机器学习力场显著提升了精度，在
科技4 阅读
英伟达DreamZero登顶双榜，训练机器人的方法再受审视
机器之心编辑部近期，NVIDIA 推出的世界动作模型 DreamZero，在两项重要的机器人基准测试 RoboArena 和 MolmoSpaces 上取得了优异的成绩。DreamZero 的核心在于：在一个单一的架构中预测未来的视频和机器人的动作。这意味着在采取行动前，机器人可以在内部模拟未来的情境。但问题也随之而来。为什么这样的设计能显著提升性能？它与传统的策略模型或世界模型相比有何不同？这是
科技2 阅读
富兰克林邓普顿和 Pantera 携手加入 Sentient Arena，与传统资产管理及加密风险投资共同测试人工智能代理技术
Pantera Capital和富兰克林邓普顿数字资产部门已加入Sentient新推出的开源AI实验室Arena的首批参与名单。该测试环境旨在评估企业级工作流程中AI智能体的表现。据公告，Sentient在周五通过Cointelegraph宣布，Arena被定位为一个生产环境级别的基准测试平台，而非静态模型测试工具。除了固定数据集上的评分外，它还让智能体执行标准化的企业场景任务，如处理长篇文档、不
区块链1 阅读
Nano Banana 2夜间发布 性能飙升价格减半 创新纪录
近日，谷歌正式发布了其最新的图片生成和编辑模型Nano Banana 2（Gemini 3.1 Flash Image），该模型已在谷歌的多种产品中上线。Nano Banana 2在功能与速度上进行了全面提升，在世界知识、图像质量、推理能力和主体一致性等方面均有所突破。同时，它在基准测试中的表现优于GPT-Image 1.5、Seedream 5.0 Lite和Grok Imagine Image
科技162 阅读
大语言模型的推理能力受到质疑：系统性研究揭示结构性失败原因
过去两年间，大型语言模型在推理领域的进步显著。从数学与编程生成到解决复杂的逻辑和科学问题，这些模型不断刷新基准测试的记录。随着“推理模型”概念的兴起，越来越多的研究开始将推理能力视为通向通用人工智能的关键标志。在能力迅速提升的同时，一个更为基础的问题逐渐显现：当模型在执行推理任务时出现错误，这些失误是随机波动还是表明了深层次的设计缺陷？近期发表于 TMLR 的论文《大型语言模型推理失败》对该问题进
科技10 阅读
北京航空航天大学发布Code2Bench：推动代码大模型评估体系革新，终结单纯刷分现象
在评估大语言模型（LLM）生成代码的能力时，一个日益凸显的问题浮现出来：当这些模型在 HumanEval 和 MBPP 等经典基准测试中取得近乎饱和的成绩时，我们究竟是在衡量其真实的泛化推理能力，还是仅仅检验它们对训练数据的记忆力？目前的代码基准正面临两大核心挑战：一是数据污染的风险，二是测试严谨性的不足。前者可能使评测退化为「开卷考试」，而后者常常导致一
科技15 阅读
在46.5万次盲测中夺冠！Grok视频模型称霸Arena，谷歌迎来强劲挑战者
新智元报道马斯克亲自为grok-image-video-720p这款视频模型站台，该模型在46万次盲测投票中获得第一名。xAI的这一「压箱底」之作，在基准测试上超越了谷歌Veo 3.1 Fast，并且使用成本更低。近日，AI视频领域再次迎来重大变化！xAI的Grok图像转视频模型（grok-image-video-720p）在「Image-to-Video
科技7 阅读