「真实世界测试」共找到 2902 篇相关文章
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。
“大模型第一股”打响上市前哨战！智谱GLM-4.7 刷新开源编程SOTA，修复代码、终端操作表现超Claude 4.5
冲刺大模型第一股的智谱推出开源大模型GLM - 4.7，主打编程与代理式任务提升。它在多项基准测试中表现出色，UI质量飞跃，还采用新推理机制。智谱上市在即，但亏损扩张快，研发投入大。
谷歌Gemini-0605发布，全球大模型第一！
昨晚谷歌发布Gemini 0605版本，官方称其回归0325版本效果。该版本在多项基准测试中领先，Elo评分提升。谷歌针对反馈改进，使Gemini 2.5 Pro回答更优，还取消日期后缀，输入输出Token价格有优势。
让机器人学会“预判接触”：它石智航牵头四大顶尖机构发布TacForeSight，破解精细操作难题
它石智航联合四大顶尖机构发布论文“TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation”，提出力条件触觉世界模型，让机器人能提前预判接触变化，在精细操作领域取得关键进展。
Current Robotics 发布 Curr-0：以 Single Policy 实现全身灵巧操作
Current Robotics发布Curr - 0，解决人形机器人移动与操作分离困境。它用Single Policy统一训练，基于HumanEx采集数据，还构建多物理模态交互世界模型，是全栈具身智能基础设施成果。
吴恩达手搓新项目：AI审稿人上线！只为终结学生“3年被拒稿6次”的痛苦
吴恩达开发新项目 Agentic Reviewer 代理审稿人，灵感源于学生3年论文被拒6次。此工具能加快研究人员迭代速度，在 ICLR 2025 评审数据测试中接近人类水平，适用于 arXiv 公开研究领域。
Claude Sonnet 4.5来了！能连续编程30多小时、1.1万行代码
十一假期前，DeepSeek 开源新模型 V3.2 - Exp，深夜 Anthropic 发布 Claude Sonnet 4.5，自称世界最好编码模型，自主编码时长超 30 小时，还带来系列产品升级，在多方面表现优异。
中国足球还是靠机器人吧！首届机器人运动会闭幕：票价终究保守了
世界人形机器人运动会闭幕，清华火神队1-0胜德国队获机器人足球赛冠军。赛中有诸多有趣场面，且比赛背后硬核技术拉满，像足球赛用自主行动机器人，胜负关键在算法。
告别 Selenium 痛点！全新升级版 Selenium 自动化框架，斩获10.2K标星！
Selenium 编写 Web 自动化脚本痛点多，SeleniumBase 深度封装 Selenium，内置智能等待等功能，解决诸多问题。它功能强大，安装使用简单，适用于多场景，像“智能助手”让自动化测试变简单。
Anthropic发布Claude Science，AI开始像研二学生一样做科研
当地时间6月30日，Anthropic发布科研产品Claude Science。它运行Claude Opus 4.8，亮点在使用方式，将科研所需整合，还能拆分任务。早期用户反馈良好，与OpenAI、谷歌竞争，已开放测试版。