其他

So this is not a benchmark for software engineering agents. It’s meant to test core reasoning and in...

原文标题:So this is not a benchmark for software engineering agents. It’s meant to test core reasoning and in...

AI 摘要

所以这不是一个针对软件工程智能体的基准测试。它旨在通过编程测试核心推理与智能——由一些顶尖竞技程序员撰写的 71 页深度分析作为支撑。

关键信息

  • 所以这不是一个针对软件工程智能体的基准测试。
  • 它旨在通过编程测试核心推理与智能——由一些顶尖竞技程序员撰写的 71 页深度分析作为支撑
  • o3与Gemini 2.
  • 5在IOI级竞赛题上零分,LLM推理天花板显现

速览

发布时间
更新时间
来源
X:谢赛宁 (@sainingxie)
分类
其他
阅读原文 前往信息源阅读完整正文
推荐理由

o3与Gemini 2.5在IOI级竞赛题上零分,LLM推理天花板显现

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:So this is not a benchmark for software engineering agents. It’s meant to test core reasoning and in...。2025年6月17日。https://new.nat6.net/news/cmnxjn7y800fusl9olidobi3y/

查看全部 →
  • 当模型操纵流形:一项计数任务的几何原理

    本研究探讨了Claude 3.5 Haiku等语言模型如何从纯文本中学习类似生物感知的空间推理能力,以完成固定宽度文本的自动换行任务。模型通过两种对偶机制表征位置信息:离散特征激活与特征流形上的几何变换。具体而言,它通过追踪当前行字符数、…

    Anthropic:Transformer Circuits(可解释性研究)其他AI 评分 78

  • 当下如何使用 AI:快速指南

    一份当下 AI 工具的快速选用指南,聚焦目前值得使用的 AI 产品及其具体使用方法,帮助读者快速上手并选对工具。

    Ethan Mollick:One Useful Thing(RSS)其他

  • 一个关于机制(非)忠实性的玩具模型

    本文通过“绝对值”玩具模型,揭示了稀疏自动编码器(SAE)和转码器在解释神经网络时可能存在的“机制非忠实性”问题。核心在于,即使转码器能很好地近似模型的输入-输出映射,它也可能采用与原始模型完全不同的内部计算机制。作者特别指出,当训练数据…

    Anthropic:Transformer Circuits(可解释性研究)其他AI 评分 78

  • 干扰权重的玩具模型研究

    本文探讨神经网络中“干扰权重”与“权重叠加”现象,认为这是从特定示例归因分析转向全局电路分析的核心障碍。研究通过在玩具模型中的初步探索得出三点发现:干扰权重可在修改解释的玩具模型中复现,其表现与真实模型相似,分析时通常需滤除;其定义多样,…

    Anthropic:Transformer Circuits(可解释性研究)其他AI 评分 83

  • 拥抱开放

    DeepSeek 时刻后,AI 人才正从封闭的 OpenAI、Anthropic 流向拥抱开放科学与开源的 META。这种「拥抱开放」的趋势有利于行业透明度、科学进步与安全监管。OpenAI 承诺今夏发布开放权重模型,或将改变这一格局。

    X:Yann LeCun (@ylecun)其他