PulseAugur
中
实时 13:21:36
实体 DeepResearch Bench II

DeepResearch Bench II

PulseAugur coverage of DeepResearch Bench II — every cluster mentioning DeepResearch Bench II across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 3 条
  1. RESEARCH · CL_362532 ·

    Sage S2.1 Flash:新的 3200 亿参数模型在科学推理方面表现出色

    研究人员推出了 Sage S2.1 Flash,这是一个拥有 3200 亿参数的混合专家模型,专为科学推理和交互式环境而设计。该模型集成了用于分子图和生物序列等科学数据的专用编码器,并与文本和图像一起处理它们。Sage S2.1 Flash 在涉及文件证据、机器学习实验和可验证工作簿的任务中表现出色,在 OfficeQA Pro 和 MLE-Bench Lite 等基准测试中名列前茅。

  2. SIGNIFICANT · CL_361695 ·

    Sage S2.1 Flash模型在科学和机器学习基准测试中表现出色

    上海人工智能实验室发布了Sage S2.1 Flash,这是一款专为复杂研究任务设计的科学多模态模型。该模型集成了科学数据理解、编程和工具使用能力,支持分子图谱和蛋白质结构等十余种科学输入。Sage S2.1 Flash在四个基准测试中取得最高性能,在七个基准测试中位列第二,在机器学习工程和办公文档处理方面表现突出。

  3. TOOL · CL_247730 ·

    新基准显示深度研究代理未能达到专家标准

    研究人员推出了 DeepResearch Bench II,这是一个旨在评估深度研究代理 (DRAs) 能力的新基准。该基准包含 22 个领域的 132 项研究任务,每项任务要求代理生成一份报告,并根据 9,430 个细粒度评分标准进行评估。这些评分标准源自专家撰写的文章,并通过人类-LLM 管道进行完善,侧重于信息回忆、分析和呈现。初步评估显示,即使是先进的 DRAs 也未能满足超过 50% 的标准,表明与人类研究能力相比存在显著差…