行业与实践 · 标签「蚂蚁」

最新优先最早优先

查看全部

研究与基准测试2026-10-078 分钟
英文 L3 掉到 42.86：蚂蚁参与的 UltraText 用 432 条提示测文字
UltraText Bench 有 432 条中英提示、24 类场景。Q-Judger 打 0 到 100 的四维分，综合权重是 60/30/5/5。开放权重里 Boogu-Image-0.1-Base 综合 77.89。Qwen-Image-2512 的英文综合从 L1 的 86.50 掉到 L3 的 42.86。Z-Image-Turbo 清晰度比 Base 高 3.81，保真度低 14.76。
研究与基准测试2026-09-3010 分钟
判对也会编证据：蚂蚁 ATAR 把真阳性幻觉压到 7.2%
蚂蚁实习期间完成的 ATAR 用 22 个鉴识工具做多轮伪造检测。六套零样本 IMDL 图像级 F1 78.5%，随机工具比不用工具更差。去掉推理奖励后分类只掉 0.6 个百分点，真阳性幻觉从 7.2% 升到 21.6%。
案例研究2026-09-287 分钟
国内基于大模型的 GUI 与 UI 自动化测试实践
蚂蚁、邮储、科大讯飞、华为、字节、腾讯和铁路客运论文里，大模型做 UI 测试并不是同一层：有的生成脚本，有的看截图自己点，有的只是补回归代码。
研究与基准测试2026-08-2711 分钟
整题只有 2.8%：蚂蚁 UI-Venus-2 用关键点把 GUI 轨迹和单步分开评
27B 在 OSWorld 2.0 的 108 题、150 步上整题只有 2.8%，部分分 13.2。MobileWorld 50 步 76.1，低于 Qwen-UI-Agent 的 82.1。WebVoyager 刷新子集 93.4。OSBlind 的攻击成功率仍是 47.9。
研究与基准测试2026-08-268 分钟
美学分最高 0.50：蚂蚁用 5 万多条人工标注评 12 个视频模型
蚂蚁的 VGA-BenchV2 沿用 52 个细项和 1016 条提示词，新增 36000 条人工标注，合计 50600。12 个视频模型里美学分最高是 Sora2 的 0.50，Show-1 的生成水平是 0.04 且正文没解释。用评测器当奖励微调 Wan2.1，美学分只从 0.49 到 0.52。
研究与基准测试2026-08-248 分钟
用户过 0.03 亿就饱和：蚂蚁在支付宝数据上测表征缩放
支付宝数据上，用户数超过约 3000 万或时间窗超过 60 天，下游探测变平。模型从 0.2B 加到 0.4B，训练损失还降，准确率几乎不动。ALGN 的 AUC 76.43%，容量 63.47%。
研究与基准测试2026-08-128 分钟
最高 58.30%，没有模型到 60%：蚂蚁参与的 VideoGAIA 把视频理解做成多轮工具任务
蚂蚁集团参与的 VideoGAIA 用 271 道人工复核题，把视频理解改成最多 40 步的工具循环。20 个模型里最高是 Seed2.0-Pro 的 58.30%，没有一家到 60%。搜索占调用的 60.5%–90.6%，但 GPT-5.5 只调用 262 次仍高于打了 2557 次的 Gemini-3.1-Pro。
研究与基准测试2026-07-319 分钟
平均只比老师高 0.4：蚂蚁 MAGA 用动作结构蒸馏评跨端 GUI
8B 平均成功率 51.2，比三个域老师的平均 50.9 高 0.4，TNS 99.9。MobileWorld 仍低 3.4。2B 的 TNS 只有 77.1。WebVoyager 只用 140 题。
研究与基准测试2026-07-168 分钟
有 Skill 平均高 10.31 个点：蚂蚁用 18 道仓库任务评支付集成
装上 alipay-payment-integration 后，六个模型的平均规则通过率高 10.31 个百分点，108 格里 101 格为正。静态检查可以到 92.79%，集成仍可能只有 38.6%。