OpenAI 与 Paradigm 发布 EVMbench 基准以评估 AI 智能体在智能合约安全漏洞检测、修复及利用上的表现
OpenAI 与 Paradigm 联合推出 EVMbench,这是一个用于评估 AI 智能体在发现、修补和利用高严重性智能合约漏洞方面能力的基准测试工具。
OpenAI 与 Paradigm 联合推出 EVMbench,这是一个用于评估 AI 智能体在发现、修补和利用高严重性智能合约漏洞方面能力的基准测试工具。
DeepSeek-V3 0324 模型发布,其性能在 MMLU-Pro、GPQA 和 AIME 等基准上均优于前代版本,整体能力接近 GPT-4.5 并超过 Claude Sonnet 3.7。
推荐理由:给出了DeepSeek-V3 0324的基准对比与优化方法推测,并提供了量化和部署指引。
Hugging Face 发布 Open R1 Update #3,公布从 DeepSeek-R1 蒸馏得到近 10 万条高质量 C++ 与 Python 代码推理样本的 CodeForces-CoTs 数据集,并发布基于 IOI 的新基准。
推荐理由:给出了代码推理复现的细节与 7B、32B 模型结果,可参考训练策略与评测方法。
OpenAI 训练智能体从单次人类演示中在《蒙特祖玛的复仇》中获得 74,500 高分,优于此前公开结果。算法从演示中精心选择的状态开始进行一系列游戏,并使用 PPO 优化游戏得分。