開源基準揭示AI雲運維推理瓶頸
CloudOpsBench是一款新的開源基準，用於衡量AI代理在雲端DevOps任務中的表現。測試涵蓋服務修復、資源移除及權限限制等操作，結果顯示推理能力是目前的最大瓶頸。此發現有助於評估AI代理在實際運維場景中的可靠性。
由 AI 依據 1 家媒體的報導整理
出處
- THE DECODER閱讀原文 ↗
最新
- 研究
上海交大團隊在《自然》發表 AI 原生自主分子實驗裝置
上海交大團隊在《自然》發表研究，推出 AI 原生科學實驗裝置 AutoDNA。該裝置實現自主分子生物學實驗操作，透過模型、實驗與儀器協同設計，解決複雜流程與精確度挑戰，並登該刊首頁頭條。
- 研究
Sutton重申苦果教訓：LLM擴展需新方法
图灵奖得主Richard Sutton重申，仅靠算力不足以产生智能，需要根本性的新学习方法。前OpenAI研究员Danijar Hendrycks指出盲目扩展Transformer已导致科学界思维僵化，多家初创公司正押注此技术缺口。
- 研究
DeepSeek、Qwen等10款開源MoE模型路由機制比較
MarkTechPost發布文章，比較DeepSeek、Qwen、Mixtral等10款開源MoE模型的路由配置。文章詳述各模型的總參數、活躍參數、專家數量、Top-K及負載均衡方法。
- 研究
WIRED探討世界模型在機器人與自駕領域的應用
WIRED刊文指出，世界模型正協助AI從文本轉向模擬3D空間與現實物理。此技術旨在教導機器人與自動駕駛車輛如何導航現實環境，顯示其在具身智慧領域的應用潛力。
- 研究
阿里新基準測試顯示AI編碼代理仍需人工修正
阿里推出新基準測試「Co-Design Bench」，評估AI編碼代理在真實使用者請求下的表現。測試顯示，即使是最優模型GPT-6 Astra也僅完全解決26.4%的任務，與舊基準測試中99%以上的分數形成對比。該結果凸顯了AI代理在複雜實際場景中仍面臨顯著挑戰。
全部新聞 → · 版權屬原作者