近日，一项名为Mask-Enhanced Autoregressive Prediction（MEAP）的技术在GitHub上发布，该技术通过将Masked Language Modeling（MLM）整合到仅解码器的Transformer中，显著提升了信息检索任务的性能，同时保持了强...

近日，GitHub上发布了一个专门用于评估AI模型在复杂函数调用方面表现的基准测试工具库。该工具库旨在为研究人员和开发者提供一套全面的测试框架，以衡量不同LLM在处理复杂函数调用时的性能。通过这一工具，用户可以...

DeepMind近期在视觉语言模型（VLM）预训练领域取得了重大突破，将训练数据规模提升至前所未有的1000亿张图像。这一规模远超以往尝试，显著提升了模型在多样化全球任务中的表现。尽管在西方中心化任务上的性能已趋于...

近日，Hugging Face宣布尝试复现OpenAI的深度研究成果，特别是其基于agentic的web-search框架。该框架在GAIA基准测试中表现卓越，显著提升了性能。为了推动开源生态的发展，Hugging Face进行了一项长达24小时的实验...

近日，Virtuoso Small在性能测试中表现优异，成功超越新发布的Phi 4模型。尽管两者在权重数量上相同，但Virtuoso Small在基准测试中得分更高，尤其是在实际任务中表现更为出色。Phi模型依赖的合成数据在某些场景下可...

LOKI 是一个用于评估视觉语言模型（VLMs）在检测新颖和具有挑战性项目方面表现的合成基准测试工具。该基准测试通过生成复杂的多模态数据，帮助研究人员更好地理解模型在处理未知或复杂场景时的能力。LOKI 的设计旨在...

近日，MTU-Bench作为一种全新的基准测试工具正式发布，旨在评估大型语言模型（LLMs）在不同场景下的工具使用能力。该基准测试通过多样化的任务设计，全面衡量LLMs在实际应用中的表现，特别是在复杂任务中调用外部工...

近日，人工智能研究实验室OpenAI宣布其最新一代的大型语言模型（LLM）O3在人工智能综合基准测试ARC-AGI-PUB中取得了显著成绩。这一测试旨在评估模型在理解和生成复杂语言任务中的能力，是衡量人工智能进步的关键指标...