METR更新AI时间地平线:可验证任务每四个月翻倍,判断力仍成瓶颈
METR更新其AI“时间地平线”评测:前沿模型在可自动验证任务上的可完成时长仍约每四个月翻倍,但新增的评测设计与哲学论证等开放式任务中,最强模型尚未达到人类水平。部分新模型升至“勉…
智客 ZICQ 每日整理大模型、开源基础设施与开发者现场的 AI 新闻与深度文章。
投稿技术文章当前筛选: 标签: #CoreWeave 清除筛选
METR更新其AI“时间地平线”评测:前沿模型在可自动验证任务上的可完成时长仍约每四个月翻倍,但新增的评测设计与哲学论证等开放式任务中,最强模型尚未达到人类水平。部分新模型升至“勉…
大模型· 2026-11-20
Together AI 已上线 Qwen3 TTS,提供同一音色跨场景复用、自然语言调节语气及10种语言切换,官方称首个音频片段最快97ms返回。其价值在于把“音色身份—说话风格—…
智能体· 2026-11-20
Hugging Face 发布 Harness Adapters,把模型与智能体执行框架之间的接口差异封装为适配层,使开发者可继续使用既有模型,并按框架约束处理请求与响应。标题明确…
行业动态· 2026-11-20
Anthropic宣布完成首次公开发行交割:以每股83美元发行11.27亿股Class A普通股,其中承销商全额行使购买1.47亿股增售权。按发行价与股数机械计算,公开发行名义募资…
智能体· 2026-11-20
Signal 正限制 Android 与 iOS 上的截图及屏幕内容读取,以阻止 Gemini、Siri 等系统级 AI 代理获取聊天和应用数据;iOS 用户将获得相关节选项。此举…
前沿论文· 2026-11-20
MiniMax称,MiniMax Cyber把数学推导、攻击代码生成与结果验证串成闭环:在CryptanalysisBench Tier 2中,它对多款无已知实用攻击的NIST候选…
前沿论文· 2026-11-20
研究团队以54,670份伊斯坦布尔法院的奥斯曼土耳其语记录(1513—1911年)构建计算文本分析框架,并以领域适配的句子嵌入模型OTA-BERTurk量化个人主义、集体主义与荣誉…
前沿论文· 2026-11-20
研究团队让AI智能体重建13个自然实验的数据,在324篇论文上尝试复现主估计,并在62,409种可辩护规格上重新估计。作者原始规格仅复现42%的有符号主效应;平均只有25%的规格同…
前沿论文· 2026-11-20
论文提出时间序列基础模型的测试时计算方法BGAA:不借助未来真值,而是用滚动原点回测为结构化上下文视图打分,淘汰劣于原始上下文的视图,再平均存活视图的预测分布。三个基准的全部受测组…
智能体· 2026-11-20
EverydayBench以77道人工编写、覆盖八类日常场景的任务,评测智能体能否交付可用成果,而非只完成网页检索。每题先固定成功标准,再通过确定性约束检查、评测时网页证据核验和交…
前沿论文· 2026-11-20
RLCDR把LLM评审器改造成类型化决策模型:一次前向输出概率分布,经选项顺序去偏并用约百条标签校准。该无参考答案奖励用于GRPO训练Qwen3-1.7B,将MATH500准确率从…
前沿论文· 2026-11-20
CoMPASS把大模型对用户拟社会依恋的强化能力转化为多轮压力测试。基准基于依恋理论构造4类用户角色,分别及组合升级拟人化、依恋与依赖三个维度,并以匹配对照和7信号量表计分。作者测…