#模型评测
主题「模型评测」下共有 202 篇日报,第 4 / 4 页。
2026-07-21周二4 篇ClaudeTransformer强化学习
热帖称 Claude Fable 找到反例:雅可比猜想仍待独立核验
Hacker News 热帖宣称 Claude Fable 给出雅可比猜想反例,但摘要未提供证明、验证过程或可复现材料。
来源:Hacker News循环架构扳回算力账:Loopie同预算超越标准Transformer基线
Loopie以MoE重做循环Transformer,在相同训练算力下超过标准基线,并报告无工具竞赛级推理表现。
来源:Hugging Face Daily PapersMuon 并非万能替代 AdamW:智能体强化学习收益取决于训练组合
在 ALFWorld 单种子实验中,Muon 显著改善部分稀疏奖励训练,但收益受优势估计器与学习率共同制约。
来源:Hugging Face Daily PapersRL 收益可由预训练损失预测:国际象棋串起推理训练全流程
研究以国际象棋为受控环境,发现预训练损失可预测固定 RL 算力下的最终表现,且 RL 对难题不只是强化既有策略。
来源:Hugging Face Daily Papers2026-07-19周日3 篇GPT-5.6模型评测
2026-07-18周六3 篇模型评测视频大模型AI 安全
别只看模型能力:OpenAI提出四项指标衡量AI投入回报
OpenAI CFO Sarah Friar提出一套实用记分卡,从有效工作、成功任务成本、可靠性与算力回报四方面衡量AI投资ROI。
来源:OpenAI多关键帧不是越多越稳:新基准揭示视频生成的执行短板
KeyFrame-Compass 系统评估多关键帧视频生成,发现模型在关键帧还原、自然合成与密集约束之间仍难兼顾。
来源:Hugging Face Daily Papers世界动作模型会“想对做错”:BadWAM揭示具身控制的新攻击面
BadWAM用微小视觉扰动制造世界预测与动作执行的错位,挑战具身模型依靠“想象未来”保障安全的假设。
来源:Hugging Face Daily Papers2026-07-17周五1 篇模型评测
2026-07-16周四7 篇大模型大语言模型代码智能体AI 安全
开源统一多模态模型再进一步:Boogu-Image兼顾生成、编辑与双语文字
Boogu-Image-0.1以四个变体覆盖图像生成、快速推理和指令编辑,并尝试在有限算力下缩小与闭源系统的差距。
来源:Hugging Face Daily Papers平均准确率没变,单题答案却翻转:无关上下文暴露大模型的尾部风险
新研究发现无意义伪词也能让少量样本预测翻转,整体升降相互抵消后,常规平均指标看不见这种不稳定。
来源:arXiv把函数调用变成训练信号:FIM 中期训练提升代码智能体
研究利用普通代码中的函数依赖关系进行自监督中期训练,在多种模型与后训练流水线上提升代码智能体表现。
来源:Hugging Face Daily PapersOpenAI 推出 GPT-Red:用自我对弈提升自动化红队能力
GPT-Red 通过自我对弈开展自动化红队测试,目标是改进模型安全、对齐以及提示词注入防护能力。
来源:OpenAI模型更新未必改写优势格局:Hugging Face 博文信息仍有限
标题暗示新模型延续了既有优势,但缺少正文、评测对象与实验数据,目前无法判断结论的适用范围和可信度。
来源:Hugging Face Blog端到端文档解析登顶公开榜单:OvisOCR2 仅有 0.8B 参数
OvisOCR2 以 0.8B 参数直接将页面图像转为 Markdown,并在两项公开文档解析基准上取得最高成绩。
来源:Hugging Face Daily Papers万亿参数 Zero RL 如何涌现推理:Ring-Zero 的规模化实验
Ring-Zero 将可验证奖励的零数据强化学习扩展到 1T 参数,并报告训练阶段、样本效率与多类自发推理行为。
来源:Hugging Face Daily Papers2026-07-15周三1 篇LLM-as-Judge
2026-07-14周二1 篇代码智能体
没有匹配的日报,换个关键词试试。