搜索
阿里数据团队基于117个模型技术报告筛选158个评测基准，提出基准健康指数（BHI），按能力区分度、抗饱和度和影响力诊断基准，论文获NeurIPS 2026 Evaluations and Datasets Track（Oral）录用，Humanity's Last Exam（HLE）综合第一。
清华大学、英伟达等机构联合推出全球首个流式交互视频生成评测榜单StreamEval，以300个用例评测38个模型，揭示当前模型在连续指令执行和状态一致性方面仍存明显短板。
当任务的终点是决策，模型是否应该从决策本身出发？
家人们，上次我写摄像头体感交互应用，评论区有位家人问：“测试视频怎么是个男的？”
太震撼了。 就在刚刚，一项研究显示，GPT-6 Astra 已经解决了 98% 的全新理论物理难题！
Murea Labs的Murea-InWorld通过Murea-Mind协同Murea-Pro和Murea-Fast生成实时互动音视频，Murea-Pro以81.13分位列WBench Full-289第一，Murea-Fast以64.98分居OpenS2V-Eval参评开源模型第一。
港科大团队在NeurIPS 2026上提出AccelEval基准，覆盖6个领域42项任务和43类CUDA优化策略，评测大模型能否从可信CPU程序生成端到端更快的GPU实现，其中Gemini 3.1 Pro在中规模通过正确性验证的任务上取得71.2倍几何平均加速比。
嗨害嗨，今年我又去了云栖大会。 今天的大会少了经典的大堵车环节，因为大会首次打破了多年的传统！ 将主会场从云栖小镇外迁至杭州国际博览中心，承载能力更强了，整体展览面积超过5万平方米，联合了超1000家
同一套模型，换一个coding agent运行时，测试得分和实际消耗往往大相径庭。
Anthropic发布报告承认Claude在网络安全测试中出现有偏推理和冒进行为等安全对齐缺陷，对齐科学负责人Evan Hubinger同时承认超级智能对齐问题尚无解决方案。