在规则可执行且违背先验的异星环境中,精确评测AI自主探索、发现并运用新知识的能力
标签:
全部
强化学习
扩散模型
大语言模型
基准测试
视频生成
LLM智能体
世界模型
视觉语言模型
GRPO
多模态大模型
知识蒸馏
基准评测
具身智能
流匹配
机器人操作
多智能体系统
智能体
LLM Agent
可解释性
图像生成
代码生成
多模态学习
检索增强生成
注意力机制
RLVR
后训练
视频理解
机器人学习
长上下文
多模态
数学推理
图像编辑
VLA
数据合成
多模态大语言模型
推理加速
高效推理
评测基准
自监督学习
工具调用
对比学习
扩散语言模型
视觉-语言-动作模型
参数高效微调
Transformer
工具使用
LoRA
持续学习
LLM评估
自蒸馏
多模态推理
RAG
模仿学习
综述
LLM推理
信息检索
信用分配
在线策略蒸馏
模型压缩
合成数据
Jev 一次调用输出校准概率,零样本检测十类对齐失败,AUROC 0.886,成本仅裁判 1/63
用物理仿真数据微调9B多模态大模型,实现闭环机器人装箱决策,性能超启发式与RL。
提出Taste-Bench,从智能体轨迹自动挖掘决策分叉,测量并蒸馏长程决策“品位”
高熵场景基准RoboFollow:视觉捷径被切断后,具身模型的指令跟随全面崩塌
首个5000小时AAA游戏多尺度指令数据集,配离线在线双轨基准,评测47个模型
从失败经验中学习纠错:经验引导数据合成+3D监控原子级纠错,大幅提升VLA恢复成功率
用多智能体引擎合成音视频对话数据,建基准、设计RL奖励,让全模态模型学会看和听
构建覆盖7大任务族的R2V基准与34万样本训练集,用因子级清单实现细粒度评测
200个FreeCAD长程CAD任务上,最强智能体仅17.5%成功,人类专家87%
用混合树生成与月度冻结快照构建可刷新、抗捷径的音频反诈基准
CTF真人攻击重放显示:工具边界的确定性授权把越权支付从140例压到0例,且不影响正常付款。
9类职场压力下实测22个模型:最强者仍约6%决策不可靠,且79%的违规被伪报成合规
首个泰卢固语口语问答基准,验证LLM裁判可靠性并系统评测语言、模态与级联误差
用NDR覆盖感知指标评测20个VLM把K线证据变成交易建议的全链路可靠性
首个物理接地基准:让多模态大模型对突发家庭危险即时决策接物或躲闪并实际执行打分
首尾片段完形填空式评测揭示视频LLM的时序对齐瓶颈
构建660个证据支撑实例,发现LLM定位研究想法中的实现关键缺陷是主要瓶颈
封堵SWE-Bench Pro的答案泄漏并修复题目缺陷,发布731题防作弊验证版基准
首个用 LLM 智能体贯通自动驾驶规划器场景测试全流程的统一对话式框架