搜索：超长上下文测试

「超长上下文测试」共找到 2297 篇相关文章

2025年了，AI还看不懂时钟！90%人都能答对，顶尖AI全军覆没

AI基准ClockBench测试AI读模拟时钟能力，人类平均准确率89.1%，11个主流大模型最好仅13.3%。研究展示了LLM局限性，分析了可能原因，还对比了不同模型表现及在各类问题上的差异。

字节Seed与斯坦福等机构推出新模型，其新注意力机制MoC能让长视频生成计算量降低85%，质量不减且保持连贯性。团队将视频生成定义为上下文检索任务，提出MoC机制并阐述实现方法。

今天凌晨，Meta开源视觉大模型DINOv3，采用自我监督学习，无需标注数据。它在60多个视觉任务测试中表现出色，超越同类模型。还引入后处理优化策略，扩展应用场景，能适应多种部署环境。

本文分享阿里团队实践，用AI开发工具Cursor结合Claude模型，10天重构超3000行前端组件实现跨端复用。介绍代码辅助、测试用例生产、代码智能生产经验，提出新开发范式，强调规范和人工校验重要性。

美国国家飓风中心与 Google 的 Weather Lab 合作，利用新模型预测风暴。该模型能比传统方法更准确预测风暴形成、路径和强度，最长提前 15 天，测试表现优于 Google 之前的 GenCast 模型和 ENS 模型。

本文探讨AI Agent如何通过多智能体协作系统打造0day漏洞“生产线”，实现自动化漏洞检测。经测试和实战验证，Agent在复杂代码和大型项目中表现超传统工具，提升了漏洞识别效率与准确性。

阿里云通义点金团队与苏州大学合作推出DianJin-R1金融领域推理大模型，介绍其开源数据集与模型、基于通义点金平台的数据合成，展示了其在性能测试中的优异表现，推动金融科技智能化进程。

2026年6月27日，TGO杭州十周年庆·GTLC全球科技领导力大会杭州站举办，近二十位嘉宾从多领域分享。如汪源指出智能体上下文工程是瓶颈，许式伟称AI是企业“外挂”等，还有创业者展示产品。

本文作者分享使用字节海外推出的通用AI Agent产品AnyGen的体验，介绍其功能亮点、多场景测试效果，对比竞品，认为它定位职场场景，性价比高，或引领通用Agent竞争转向用户体验。

谷歌发布Gemini 3，其惊艳表现打乱OpenAI阵脚，公司进入「红色警戒」，将提前于12月9号发布GPT - 5.2应对。网传GPT - 5.2测试分数全面超Gemini 3 Pro，但遭网友质疑。OpenAI面临用户流失等危机。