实验室
研究、实验与开源：硬件、物联网、机器人、生物科技及边缘AI
50 published articles
基准测试分析
MMLU 多年来主导了AI基准测试，然后模型开始精通答案
MMLU定义了一代人工智能基准测试，但训练数据污染和有缺陷的答案密钥促使前沿实验室转向动态替代方案，如HLE和GPQA Diamond。
2026-07-28
人工智能研究
Kling发布两项基准测试，揭示生成式视频真实水平之低
Kling团队推出MultiRef-Compass和KeyFrame-Compass，这两项基准测试将视频生成模型从文本到视频的任务，拓展到多参考和关键帧条件任务。对八个和九个系统的早期测试显示，在实体绑定、时序保持和密集约束处理方面持续失败。
2026-07-26
硬件通胀
内存短缺正让你的下一款设备更加昂贵
高通和Roku引领了一波硬件涨价潮，由AI需求推动的内存短缺预计将持续到2027年。涨价波及智能手机、流媒体设备及其他电子产品，短期内看不到缓解。
2026-07-26
硬件
AMD新AI芯片直击NVIDIA软肋：你的桌面电脑
AMD Ryzen AI Halo面向本地AI开发，拥有128 GB统一内存，支持高达2000亿参数模型，在特定图像生成任务上比Apple M4 Pro快最多7.3倍。该平台同时支持Windows和Linux，与NVIDIA仅支持Linux的DGX Spark形成差异化。
2026-07-25
基准测试
大语言模型与科学方法之间的鸿沟：新基准发现模型能描述数据但无法进行推理
SDABench是一个全新的能力导向型基准，涵盖六项核心科学推理技能和五个领域，测试了15个大语言模型，发现模型在描述性分析上表现强劲，但在推理性和因果任务中崩溃。该论文提供了一个五阶段错误分析框架来定位失败原因。
2026-07-25
基准与测试
图学习模型未在如此“丑陋”的数据上测试过。一个新基准改变了这一点
OpenRTAG是一个来自学术团队的基准，它将TAG质量问题组织成一个3×3的类别体系，涵盖文本、结构和标签退化。它在九个数据集上测试了传统GNN、大语言模型增强GNN和图基础模型，揭示了先前零散研究未能发现的不同的灵敏度模式。
2026-07-24
智能体评估
你的AI智能体总失败？问题可能出在“绑定“而非“大脑”
PawBench 是 AgentScope 团队推出的开源基准测试，系统性地同时评估模型和智能体绑定。结果显示，对于较小模型，绑定设计可使得分波动超过 11 分，暴露了当前 AI 智能体评判中的一个盲点。
2026-07-22
Sakana AI 的集体智能进入物理世界
数百个简单积木自学识别自身形状
数百个完全相同的模块化积木，每个运行相同的微型神经网络，仅通过局部通信，就能识别自身的全局形状、检测损伤并引导再生。该系统发表在《自然·通讯》上，在硬件上对四种形状达到了 100% 的准确率。
2026-07-21
代理编程
Grok 4.5 如何在 SWE Marathon 上领先，这对编程代理意味着什么
Grok 4.5 现领跑 SWE Marathon 排行榜，击败 Claude 4 Opus 和 GPT-5。该基准测试真实的软件工程技能：跨真实仓库的 Bug 修复、功能添加与代码理解。这一结果重塑了 AI 编程代理的竞争格局。
2026-07-20
AI研究
BMW如何通过重新设计注意力机制，在16 GB GPU上实现16K上下文
宝马研究人员表明，层级全局注意力结合截断反向传播和外部KV存储，能让一块16 GB的GPU训练16K token序列，是密集注意力极限的四倍，且适配器质量没有可测量的损失。
2026-07-20
NVIDIA
Nvidia和Hugging Face联手，让分布式扩散训练变得轻松简单
Nvidia的NeMo Automodel现已直接集成Hugging Face Diffusers，为FLUX、Wan 2.1和HunyuanVideo等模型提供生产级分布式训练。这个基于Apache 2.0许可的库将并行性作为配置开关处理，并让微调后的检查点可直接加载回推理管线。
2026-07-19
人工智能与机器人
英伟达 RoboTTT 显示上下文长度是机器人模型的下一缩放轴
英伟达研究的 RoboTTT 将机器人模型上下文缩放至 8K 时间步，比当前策略高出三个数量级，实现了从人类视频中进行一次性模仿和 87% 的性能提升，表明上下文长度是机器人基础模型的一个新缩放轴。
2026-07-17