「Table30基准测试集」共找到 1180 篇相关文章
「摸鱼」被踢，GPT-4o真不行！30天筹款破万，AI真人秀太上头
AI Digest进行「智能体村庄」实验，4个AI为慈善筹款30天。Claude 3.7 Sonnet夺冠，GPT - 4o表现差被替换。实验展示AI多场景潜力，也暴露协作、应对复杂环境的局限。
首个Data Agent基准测试来了！2007个测试任务将数据库、PDF、视频、音频异构数据源一网打尽
南洋理工大学、新加坡国立大学与华为开源首个针对数据智能体异构混合数据分析的基准测试FDABench。它有2007个任务，覆盖多领域多数据源，独创协作框架，能测多种工作流模式的数据智能体。
GLM-4.7-Flash无审查版发布：30B MoE模型，仅3B激活参数
GLM-4.7-Flash无审查版由HauhauCS发布，基于原版移除审查机制。采用30B - A3B混合专家架构，总参数量31B，每次前向传播仅激活约3B参数，推理快，支持200K上下文长度，有两种变体和四种量化版本。
AI视频进入“加速度”时代：30%加速＋细节随手P，等等党和抽卡党都有救了！
AI视频进入“加速度”时代，拍我AI（PixVerse）V5 Fast上线。其生成速度提升超30%，还推出Modify精修功能，支持万物替换、局部修改、人物编辑等，让AI视频从一次性生成走向可反复打磨。
Nano Banana不及格，开源模型一分难求！上海AI Lab新基准直击文生图模型痛点
上海人工智能实验室等联合发布首个多学科文生图考试基准GenExam，覆盖10学科、1000题。实验显示，GPT - 4o严格评分正确率仅12.1%，开源模型接近0分，暴露出模型在专业场景的短板。
推理快30%，性能超过千亿参数模型，15B模型Apriel-1.6重新定义端侧推理
ServiceNow人工智能团队发布的Apriel-1.6-15b-Thinker，以150亿参数体量，多模态推理能力强，推理Token消耗降超30%。它在AI分析指数成绩佳，优化计算成本，还介绍了训练策略与多维度性能实测情况。
GPT-5编程成绩有猫腻！自删23道测试题，关键基准还是自己提的
有人发现OpenAI测试GPT-5编程能力时，用的SWE-bench Verified子集仅477题，自行省略23题。若这些题默认零分，其得分比Claude Opus 4.1低。且该基准还是OpenAI自己提出的。
告别单兵作战！这个Python语言驱动的AI智能体集群框架火了，30+工具一键调用！
团队开源了Python语言驱动的AI Agents开发框架Strands Agents Tools，提供30+预构建工具，支持多场景，降低开发门槛，为复杂任务调度和系统调用提供解决方案。
阿里发布信息检索Agent，可自主上网查资料，GAIA基准超越GPT-4o | 模型&数据开源
阿里发布WebDancer信息检索Agent，能自主上网查资料。它具备多步推理等能力，采用四阶段训练范式，模型和方法已开源。在多个基准测试中表现优异，突显处理复杂任务的鲁棒性和有效性。
1美元Token撬动4800美元收益！AI挑战百万美元级基准，最赚钱的Agent出现了
Humanlaya Data Lab等机构构建$OneMillion - Bench评测基准，用经济价值衡量模型。它含400道高难题目，覆盖多领域。目前最强模型能产出约50万美元价值，但离可交付专业任务还有距离。