
世界模型评测的最大盲区,被新基准MemoBench捅破了 (opens in a new tab)
来自哈佛大学、MIT、IBM、波士顿大学、谷歌、JHU、CMU 和 Kempner Institute 的研究者提出了一个新的诊断性基准:MemoBench。这是首个面向动态环境的「消失-重现」世界建模评测基准,并已被计算机视觉顶会 ECCV 2026 接收。其一作 Haoyu Chen 为哈佛大学计算科学与工程专业一年级硕士生,师从哈佛大学计算机科学助理教授 Yilun Du。
Total 19 articles

来自哈佛大学、MIT、IBM、波士顿大学、谷歌、JHU、CMU 和 Kempner Institute 的研究者提出了一个新的诊断性基准:MemoBench。这是首个面向动态环境的「消失-重现」世界建模评测基准,并已被计算机视觉顶会 ECCV 2026 接收。其一作 Haoyu Chen 为哈佛大学计算科学与工程专业一年级硕士生,师从哈佛大学计算机科学助理教授 Yilun Du。

从去年开始做这个账号以来,我其实写过不少测模型的文章。我相信也有很多朋友是因为看了我测评的文章关注我的。但从过年之后,真的就很少写模型评测的文章了。主要是我写文章的速度甚至一度跟不上模型发布的速度了。

今日,阿里千问最新旗舰模型预览版Qwen3.5-Max-Preview正式亮相,并登上全球大模型评测平台LMArena。在最新榜单中,该模型拿下1464分,进入第一梯队,同时带动阿里千问跻身全球大模型实验室前五、国内第一。

Anthropic的新模型要来了!代号Fennec的Claude Sonnet 5马上要发布,性能吊打市面上所有编程大模型,价格还砍掉50%,还能比肩一整个人类开发团队,可以说达到编程领域的巅峰。

AI大模型评测平台Arena宣布用户可在直接模式中限时免费使用GPT-6 Astra(仅限medium级别),大量开发者涌入体验开发游戏,目前该模型在Agent Arena榜单中整体排名第二、前端网页开发排名第一。

随着大语言模型逐步进入复杂推理、自动化研究和网络安全等高难度任务,传统的模型评测方式正在面临新的挑战。

话不多说,直接开始每日瘫坐(doge)!

真实世界需要 200 多个小时的模型评测任务,可以在仿真中不到 0.5 小时内完成。

AI 正从数字世界走向物理世界。 近日,光轮智能完成 10 亿元 A++ 及 A+++ 轮融资。本轮融资引入多家产业场景方及财务机构,包括新希望集团、鼎邦投资(三安光电董事长家族办公室)、奥克斯、鼎石资管等产业投资方,以及建投华科、国方创新、道禾长期投资、清新资本等财务投资机构。 本轮融资完成后,光轮智能成为全球首个具身数据领域的独角兽企业。资金将重点投入于物理仿真引擎持续研发、规模化模型评测体系升级与全球交付及本地部署能力建设,进一步巩固光轮在物理 AI 数据与仿真基础设施领域的领先地位。 01物理 AI 时代:新的基础设施正在形成 过去十年,算力定义了 AI 的基础设施。GPU 集群撑起深