哲学家约翰·塞尔于93岁去世，他的“中文屋”思想实验质疑人工智能的理解能力，指出机器虽然能模拟理解，但缺乏真正的语义理解。这一观点在大型语言模型如GPT出现后，引发了更为重要的讨论。

文心5.0正式发布，支持文字、图像、音频和视频的全模态输入与输出，具备强大的理解与生成能力。其在多模态理解和情感分析方面表现突出，能够精准捕捉细节并进行复杂推理。新技术采用统一架构，提升训练与推理效率，参数规模超过2.4万亿，标志着百度在大模型领域的突破。

研究表明，顶级AI模型如GPT-5和Gemini在处理“看得见但读不懂”的文字时表现不佳，缺乏符号分割与组合机制导致其无法理解人类易懂的文本。这一现象凸显了AI在教育和无障碍应用中的挑战，需重新审视视觉与文本的整合方式。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

上海AI实验室发布新基准RISEBench，评测图像编辑模型的理解能力。GPT-4o-Image仅完成28.9%的任务，开源模型BAGEL仅5.8%。新基准考察时间、因果、空间和逻辑推理，显示当前模型在复杂指令理解上存在显著不足。

本研究解决了多模态大语言模型在非西方文化语境中的有效性不足的问题。我们提出了名为“TCC-Bench”的基准测试，专门用于评估多模态大语言模型对传统中国文化的理解能力，涵盖丰富的文化和视觉数据。实验结果表明，当前模型在处理与文化相关的视觉内容时仍面临重大挑战，强调了发展具有文化包容性和情境感知能力的多模态系统的必要性。

本研究针对DCASE 2025挑战的任务五，定义了三个子集，以评估音频语言模型在复杂场景中的问答能力，旨在提升其理解与推理能力。

本研究提出了极长音频基准（BLAB），用于评估音频语言模型在长音频段的理解能力。通过对833小时音频的评估，发现现有模型在定位和时长估计等任务中的表现不佳，揭示了任务难度与音频时长之间的权衡关系。

本研究探讨了大型语言模型（LLMs）在理解对话内容时面临的内在歧义障碍，导致其无法真正理解对话的意义。作者通过思维实验和论证提供了新的视角，反驳了对LLMs理解能力的质疑。

本研究指出现有编辑方法在提升大型语言模型对长尾生物医学知识理解方面的局限，尽管有所改善，但仍需针对性策略以缩小表现差距。

本研究提出了DocVideoQA任务及其数据集，旨在解决文档中心视频理解中的数据稀缺和复杂性问题。通过引入DV-LLaMA模型，利用多模态学习显著提升了理解能力，测试结果优于现有模型。

本研究针对汇编代码分析与理解面临的低信息密度和缺乏明确语法结构的问题，提出了一种新的解决方法ASMA-Tune，结合编码器架构与基于解码器的大型语言模型进行结构-语义指令调优。实验结果表明，ASMA-Tune在汇编代码理解和指令跟随能力上超越了现有基准，展示了其显著的性能提升与潜在影响。

本研究解决了大型语言模型（LLMs）在真实软件开发中处理复杂代码库依赖理解的能力不足的问题。我们提出了一个层级基准（DependEval），通过对15,576个真实代码库进行评估，专注于依赖识别、代码库构建和多文件编辑三项核心任务。研究发现，超过25个LLMs在这些任务上存在显著的性能差距，为进一步的模型优化提供了重要见解。