0.75还是0.50？越南高考凸性评分给大模型评测上了一课
大模型评测几乎都在用“对错”代替“官方评分”，越南2025年高考的凸性评分直接把这种替代打回原形。本文用632道真题和百万考生真实分布，把模型放进人类排名里比了一次，结果让人捏把汗。
标签：数据集
共 112 篇
哈佛最新开源：147万份百年报纸，榨出163亿token公共数据集
这可能是今年最"考古"的AI基础设施工作：哈佛联手波士顿公共图书馆，把1795到1930年的147万份报纸扫描件，变成163亿token的干净文本。更难得的是，整套流水线设计成工作站级硬件就能跑，租服务器全程只要约2.5万美元——相比云端OCR动辄几十万美元的报价，这性价比简直离谱。对做数据工程、LLM预训练和数字人文的人来说，这篇值得细读。
北航CIKM 2026：30-41个被吞掉的候选，靠一个账本全找回来了
这篇论文盯上了AutoML报告里一个常被忽略的"黑箱"：那些没被拟合的候选方案去哪了？北航团队用一套候选命运核算框架，给每个候选一个终态归宿，在三个轴承数据集上找回30-41个被"吞掉"的候选。搞工业诊断、调自动化管线的朋友值得一看。
斯坦福&MIT新作：VR采集75小时仿真数据，灵巧手五项真机任务全解锁
如果说机械臂是机器人的“手臂”，那灵巧手就是它的“指尖”——能抓鸡蛋、玩叠叠乐、拧瓶盖的那种指尖。但灵巧操作一直是机器人领域的老大难问题：机械臂在工厂里已经干了几十年活了，灵巧手却还在实验室里“装婴儿”。为啥？
强化学习致命短板曝光：智能体真的没有内部时钟？
人人都说AI要像人一样干活，可它连“等锅汤开要多久”都没概念。根特大学等机构推出Chronocooked强化学习基准，把时间藏在炒菜场景里，逼着智能体靠内在计时做决策。想看AI到底会不会“看表”，这篇论文值得一读。
2行代码跑起关系学习：Prior Labs发布RPI接口，告别调参黑箱
关系学习热度攀升，但论文复现难、结果对不上。Prior Labs联合斯坦福和NVIDIA，开源基准、模型、接口三件套，把21个任务拉到同一起跑线实测。想看GNN、表格模型和关系基础模型谁是真冠军？这篇值得细读。
ACM MM接收方案：音频伪造检测冲上96.1%的秘诀
音频深度伪造早已不止"语音换脸"——环境声、歌声、音乐都能被AI伪造。这篇ACM Multimedia 2026挑战赛总结，双赛道评测方案与冠军系统一次讲清，音频安全和AI信任方向的从业者值得细读。
UC Berkeley新基准Vero：最强AI写证明，43个代码仓库只通关27个
AI生成的代码，你敢直接上生产吗？单元测试过了不代表没bug，仓库级形式化验证才是终极保险丝。UC Berkeley等机构提出Vero，要求智能体在一个多模块Lean 4代码仓库里同时写实现和证明，结果最强配置只通关27/43——答案藏在仓库级一致性和共享引理库的组织能力里。
把CT、胃镜、化验单喂给AI后，胃癌诊断AUC涨了6个点
胃镜、CT、化验单、报告，医生从来不是单看一样就下结论。Gastric-X把这个真实逻辑搬进了AI基准：四期CT+内镜+生化指标+报告全部对齐，还配了2.6万条VQA。想让医疗VLM真正学会"综合判断"，这份基准值得一读。
LLM重构“症状时间线”：新基准MedTempo发布，CRAFT迭代精炼最高涨9.3个点
临床叙述时间线重建一直被当成“关系分类”来做，单篇报告缺时间锚点就抓瞎。本文用生成器-验证器迭代精炼的思路，配合新基准MedTempo，让大模型把症状先后顺序逐步“捋”清楚，GPT-4.1上EM最高提升9.3个点，思路干净、验证扎实。
上海交大最新基准：视频画质高≠机器人操作迁移成功，11个模型实测最高84.6
你第一眼看到的那种画面流畅、动作丝滑的机器人操作视频，可能只是“好看”，并不是真的“会干活”。上海交大与上海AI实验室等提出的H2R-Bench基准，把11个主流视频生成模型拉到真实的人类演示数据上逐一“体检”，结果发现视频画质与跨实体迁移成功率的相关系数只有0.14。想搞清楚视频生成模型到底能不能帮机器人学数据，这篇必读。
水下照片不再蓝绿蒙蒙？这个合成数据让特征匹配暴涨近7倍
水下照片总是蓝绿蒙蒙一片？印度理工学院这次把海洋光学的"家底"全搬进了合成数据——十种Jerlov水体、深度依赖辐照度、生物荧光一次建模到位。合成数据FID比最强竞品直降46%，四个增强架构跨六个真实数据集全面反超。搞水下视觉的朋友，这份物理知识+数据工程的双拼值得仔细品品。
