本文的第一作者为华为诺亚研究员李向阳，毕业于北京大学，开源组织 BigCode 项目组成员。此前他们团队曾经推出 CoIR 代码检索基准，目前已经成为代码检索领域的标杆 benchmark。其余主要成员也大部分来自 CoIR 项目组。

Test Time Scaling Law远未达到上限! o4-mini仅15.8%通过率，华为诺亚提出代码HLCE终极基准 机器之心 2025-07-07 15:43 发布于 北京 机器之心官方账号 + 关注 ...

3. 测试时扩展规律（Test-time Scaling Laws）未被充分探索：模型在推理时花费更多计算资源能否持续提升性能？ 这个问题在复杂编程任务上尚无定论。 为构建高质量基准，研究团队对 HLCE 题目进行了深度处理。

1、AI 领域通过构建大语言模型取得了长足的进步，但伴随互联网上人类产出的数据的枯竭，以及人类数据本身的局限性，人们开始寻求新的建模范式，如尝试让机器真正与世界互动，产生经验，并将其作为燃料改进自身，从而发现人类未知的知识。 [1-1] [1-2] ...

2025年3月，兰德公司（RAND）发布《当人工智能需要时间思考时：浅谈“测试时计算”的含义》（When AI Takes Time to Think: Implications of Test-Time ...

马斯克手中的最后一张牌——Grok 4，终于打出来了。这个全球最聪明AI，一上线就刷爆全球榜单登顶TOP 1，把所有其他大模型都踩在脚下。重磅登场的Grok Heavy，月费则达到了300刀。马斯克已经预言：明年Grok将发现新物理学。

China sent a new test satellite into space on Thursday from the Xichang Satellite Launch Center in the southwestern province ...

所谓 “元思维” （meta-thinking），即监控、评估和控制自身的推理过程，以实现更具适应性和有效性的问题解决，是智能体完成长时间复杂任务的必要手段。大语言模型（LLM）虽展现出强大推理能力，但 如何实现类似人类更深层次、更有条理的 "元思维 ...

LENOX, Massachusetts, United States, June 30 (Xinhua) -- In a wooded corner of Eastover Estate & Eco-Village, a dozen tall scrolls, roughly a meter wide and three meters high, sway quietly in summer ...

惊人现象出现了：模型推理并非匀速「爬坡」，而是存在剧烈的「信息脉冲」！在特定步骤，互信息值会突然、显著地飙升，形成显著的「互信息峰值」（MI Peaks）现象。这些峰值点稀疏但关键，如同黑暗推理路径上突然点亮的强光路标！

7月3日消息，软件领域国际顶会ISSTA 2025（International Symposium on Software Testing and Analysis）公布了最 高 奖 ...