Search

直接匹配不多，已補上最新動態。

Tag: #social-reasoning4 results

OmniToM：評估大型語言模型的心智理論能力

OmniToM 是一個全新的基準測試，旨在透過要求明確的信念結構建模，而非僅僅評估最終答案，來評估大型語言模型（LLM）的心智理論能力。研究顯示，目前的模型在處理追蹤動態心理狀態所需的複雜知識獲取與表徵任務時仍面臨挑戰。

SocialGrid 推出受 Among Us 啟發的具身多代理基準，用於評估 LLM 代理在規劃、任務執行與社交推理的能力。頂尖模型如 GPT-OSS-120B 的任務完成率低於 60%，在導航與欺騙偵測上掙扎。它提供規劃預言機以隔離社交技能，並包含故障分析與競爭排行榜。

自動駕駛發展正從感知限制轉向推理缺陷，尤其在長尾與社交情境中。此調查提出認知層級架構分解任務，並系統化七大推理挑戰，如響應性-推理權衡。檢視SOTA方法，趨勢朝向「玻璃箱」代理，並呼籲神經符號架構解決延遲-安全衝突。

GLM 5.1 在自製社交推理基準（基於 Blood on the Clocktower 遊戲）中與頂級模型競爭。遊戲成本僅 $0.92，遠低於 Claude Opus 的 $3.69，且工具錯誤率為 0%。需更多比賽以確保可靠性。

GDS Holdings 顯示，AI 相關資料中心訂單的增長速度快於已確認收入。這項趨勢反映需求強勁，但基礎設施擴建週期也使獲利延後。

隨著 AI 工作負載提高對系統資源的需求，Microsoft 正重新最佳化 8GB 以上裝置的 Windows 記憶體使用。文章認為，舊版相容性、整合服務、WebView2 與分散的資源管理，正壓縮本地模型和 AI Agent 可用的記憶體空間。

量子位報導星海圖與產業夥伴共同討論具身智能從模型走向生產力的路徑。文章強調透過產業協作，推動具身智能真正落地到多個行業。

OpenAI 表示 Codex 活躍使用者已突破 2,000 萬，第三方追蹤數據則顯示其近期增速超越 Claude Code。Claude Code 目前規模仍較大且深受開發者採用，但隨著 Anthropic 接近早期市場飽和，其高速成長已經放緩。

中國多項臨床試驗正利用腦機介面，協助脊髓損傷患者站立與行走，並讓失明患者恢復有限的視覺感知。試驗結果差異很大，凸顯這項技術的潛力，以及目前在訊號採集、解碼與復健方面的限制。

據報 Alibaba 正合併電商業務、整合雲端與晶片業務，並將 Qwen 拆分為獨立子公司。報導亦涵蓋 Unitree 計畫登陸科創板、Anthropic 據傳的年化營收，以及 Alibaba 持續投入 AI 對利潤與現金流造成的壓力。