一项针对60个广泛使用的大语言模型基准的系统性研究发现，其中29个已经达到饱和状态，意味着当前顶尖模型在这些测试上的表现已无统计学上的显著差异，无法有效区分模型能力。研究指出，基准测试的年龄和测试集规模是...

大语言模型（LLM）的自我改进一直是人工智能领域的核心挑战，而基于可验证奖励的强化学习（RLVR）在过去主要局限于数学、代码等存在明确对错判定的封闭式任务。来自COLM 2026的最新研究RLSVR突破了这一限制，提出通...

在大语言模型竞争日益激烈的当下，如何科学、标准化地衡量不同规模模型的能力上限正成为一个核心议题。Prime Radiant公司近日开源的smevals评估框架正是瞄准了这一痛点，它提供了一套轻量且专为小模型和大模型运行基...

通义千问团队正式发布了其新一代旗舰模型Qwen3.8-Max，该模型以惊人的2.4万亿参数量，在编码、办公协同、深度研究及长周期任务处理等多个维度实现了代际跨越。不同于仅能提供简单问答的常规模型，Qwen3.8-Max展现出...

据《金融时报》报道，苹果公司近日针对其安全漏洞悬赏计划（Apple Security Bounty）引入了一项重大调整：对bug报告的提交数量设置上限，并强制执行30天的提交冷却期。这一前所未有的举措直接指向由生成式人工智能引...

一项针对生命科学临床与监管场景的基准测试ClinReg显示，开源权重大语言模型在准确率上已追平顶尖闭源模型。测试中，GLM 5.2、Kimi K3等开源模型在监管和临床任务上的表现与GPT 5.6 Sol等商业模型的差异落在一个标准...

谷歌DeepMind正式发布了新一代机器人AI系统Gemini Robotics ER 2，该系统在视频理解、工具编排和多机器人协作方面实现了阶跃式突破。ER 2将先进的Gemini大语言模型与机器人深层控制相结合，使机器人不仅能够更精准地...

在大语言模型走向产业级部署的进程中，如何在不显著牺牲质量的前提下降低推理成本和响应时延，是各家前沿实验室竞相突破的核心瓶颈。OpenAI工程师团队首次较为系统地披露了支撑ChatGPT及Codex高效运转的智能体循环（...