思考机器实验室发布交互模型：可扩展的人机协作方法
推荐理由：原文提出了交互模型的概念，并展示了其在智能和响应性方面的最新进展，读者可以了解交互模型如何改变现有工作流。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
第 21–40 条 · 共 44 条5月11日星期一周一
5月2日星期六周六
τ-voice：在真实任务上评估实时语音智能体
推荐理由：该研究提出了一个结合任务完成和对话动态的语音智能体基准测试，有助于评估语音智能体在实际任务中的表现。
5月1日星期五周五
ARC-AGI-3 分析：GPT-5.5 与 Opus 4.7 的评测
推荐理由：ARC-AGI-3 评测工具揭示了 GPT-5.5 和 Opus 4.7 在处理新颖环境时的失败模式，为理解大型语言模型的能力和局限性提供了重要见解。
4月21日星期二周二
Sierra 发布开源多语言语音识别基准 μ-Bench
推荐理由：μ-Bench 提供了一个多语言语音识别基准，有助于评估不同模型在不同语言上的表现，对语音识别领域具有重要意义。
4月14日星期二周二
ARC Prize Foundation 发布 ARC-AGI-3 人工智能基准测试及人类测试数据集
推荐理由：ARC Prize Foundation 发布了 ARC-AGI-3 的人工智能基准测试，并公开了人类测试数据集，为研究人类和人工智能的学习能力提供了重要参考。
4月9日星期四周四
ConvApparel：衡量和弥合用户模拟器中的现实差距
推荐理由：ConvApparel 数据集和评估框架为衡量和缩小用户模拟器的现实差距提供了工具，有助于提高对话式 AI 的可靠性。
3月26日星期四周四
OpenAI 发布模型规范评估套件 Model Spec Evals
推荐理由：OpenAI 发布了 Model Spec Evals，这是一个用于评估模型遵循 OpenAI 模型规范的程度的新评估套件，有助于提高模型行为的可解释性和可预测性，并为研究社区提供有价值的反馈。
3月25日星期三周三
ARC-AGI-3 发布：前沿智能体智能的新挑战
推荐理由：ARC-AGI-3 作为首个完全交互的基准测试，旨在衡量智能体智能的前沿水平，对读者了解 AI 探索、学习和适应未知情况的能力具有重要意义。
3月19日星期四周四
Sierra 发布 𝜏³-Bench：推动智能体基准评估至知识与语音
推荐理由：原文介绍了 𝜏³-Bench 的扩展，包括 𝜏-Knowledge 和 𝜏-Voice，这些扩展为评估智能体在复杂知识库和实时语音交互中的能力提供了新的基准。
2月7日星期六周六
OpenAI 发现现实世界 AI 偏差
推荐理由：原文展示了如何通过分析用户对话来检测和诊断AI模型中的未知偏差，对理解AI安全具有重要意义。
2月5日星期四周四
OpenAI 发布 GPT-5.3-Codex 模型
推荐理由：OpenAI 发布了 GPT-5.3-Codex，介绍了其在不同领域的表现和安全性评估，读者可以了解其能力变化和风险控制措施。
2月3日星期二周二
Sarvam Audio：超越转录的语音识别技术
推荐理由：Sarvam Audio 在印度语音识别领域提出了创新解决方案，支持多种转录格式、多说话者分离和上下文感知，为语音交互应用提供更精准的理解和交互体验。
1月15日星期四周四
CoVal：从众包中学习价值观感知评分标准
推荐理由：CoVal 数据集通过收集大量用户对模型回答的偏好，为研究模型行为和偏好差异提供了新的工具，有助于理解不同人群对模型行为的期望，并指导更透明的 AI 系统开发。
12月5日星期五周五
ARC Prize 2025 结果分析：AI 推理系统与 refinement loops 的应用
推荐理由：ARC Prize 2025 的结果和分析揭示了 AI 推理系统的发展，以及 refinement loops 在 AI 推理中的应用，对 AI 行业具有重要意义。
11月4日星期二周二
ARC Prize 发布 ARC Prize Verified 计划
推荐理由：ARC PrizeVerified 程序通过第三方学术小组审计和开源测试流程，增加了对前沿系统评估的严谨性，读者可以关注其对 AI 领域评测的影响。
10月27日星期一周一
基于策略的蒸馏：LLM后训练的新方法
推荐理由：该研究提出了基于策略的蒸馏方法，结合了在线训练和密集奖励信号的优势，为LLM后训练提供了一种高效且可靠的方法。
8月5日星期二周二
OpenAI 发布 gpt-oss-120b 和 gpt-oss-20b 模型
推荐理由：OpenAI 发布了 gpt-oss-120b 和 gpt-oss-20b 模型，展示了其在推理、编码和工具使用方面的能力，并进行了安全测试和评估。
7月23日星期三周三
Mistral AI 发布 AI 环境影响报告，推动行业可持续发展
推荐理由：Mistral AI 对其 LLM 的环境影响进行了首次全面生命周期分析，为 AI 行业的环境标准制定做出了贡献，读者可以关注这一进展及其对行业的影响。
6月5日星期四周四
测试了所有主要AI推理系统：没有明确的赢家
推荐理由：本文对多个AI推理系统进行了测试，分析了其优缺点，并提出了未来研究方向。
5月20日星期二周二
ARC-AGI-2：前沿 AI 推理系统的新挑战
推荐理由：ARC-AGI-2 作为一项新的基准测试，旨在评估 AI 系统的抽象推理和问题解决能力，为读者提供了了解当前 AI 系统能力与通用人工智能之间差距的视角。