News · 新闻
论文发布、产品上线与实验室里程碑。
来自网景盛世 AI 实验室的最新动态：研究成果、产品发布与关键进展。
来自网景盛世 AI 实验室的最新动态：研究成果、产品发布与关键进展。
8 月前端更新引入 Yanlan-expand 扩词模型，将单字级 diff 扩展为词组级高亮，让每一处修改连同上下文一起呈现。
阅读全文
与 V2.0 逐项对比：8 项加权综合指标全胜，47 项对比胜出 43 项，稳定承接新闻出版、政务传播与政企内容审校。
阅读全文8 月前端更新引入 Yanlan-expand 扩词模型，将单字级 diff 扩展为词组级高亮，让每一处修改连同上下文一起呈现。
与 V2.0 逐项对比：8 项加权综合指标全胜，47 项对比胜出 43 项，稳定承接新闻出版、政务传播与政企内容审校。
模型像只刷题、不检查卷子的学生：会解题，不会改错。ThinkTwice 用同一个对错奖励，教会模型检查自己的答案，AIME pass@4 提升 11.5 个百分点。
引擎像不会带徒弟的老师傅：算得准，讲不出。大师蒸馏把引擎知识翻译成自然语言推理，4B 模型学会简洁讲棋，并超过教师模型。
把公文句子改写成人人读得懂的话，多数语言连评测的尺子都没有。五种语言、9,519 个原句、母语者撰写——低资源句子简化第一次有了开放评测。
50 个真实 iOS 功能任务、449 条人工写的测试、约 50 万行生产代码，最高任务通过率 12%。
误报率降至十分之一，处理速度提升 15 倍，部署成本降至十分之一，文本、视频字幕、音频转写与人脸识别，一套系统稳定承接。
体检报告换个格式，诊断不该变；模型却常常变。SEAM 在棋局、分子、乐谱、图论四个领域量化 21 个视觉语言模型的跨模态不一致。
长期合作起点，致力于在真实移动生产代码库上评测编码智能体。
聚焦大模型安全部署、评估与真实业务应用。
像老师写评语一样，自动为模型写出行为“成绩报告单”，并验证报告确实帮助人类分辨模型差异——获 NeurIPS SoLaR Spotlight。
