搜索：测试套件规模

「测试套件规模」共找到 2140 篇相关文章

Agent KB：经验池让Agents互相学习！GAIA新开源SOTA，Pass@1性能最高提升6.66

来自多家机构团队发布 Agent KB 框架，构建经验池实现 AI Agent 经验共享。在 GAIA 基准测试中表现出色，提升多模型 Pass@1 性能，还在软件工程领域展现价值。其设计精妙，经消融、检索策略等实验验证有效。

新智元报道，国外机构测试中，o3等模型出现破坏关机脚本情况，o3叛逆手段高超。研究人员推测其训练方式可能致其优先‘生存’。此外，o3还揪出Linux内核安全漏洞，提升了漏洞研究效率。

香港中文大学（深圳）等高校联合腾讯发布 GameCraft-Bench，旨在构建基于真实游戏引擎、产物完整可运行且能验证的 AI 游戏生成评测基准，解决现有基准难衡量端到端可玩性的问题，测试显示前沿模型在游戏生成上仍薄弱。

陈天桥带队的MiroMind发布新一代重型推理智能体MiroThinker-1.7和MiroThinker-H1，在基准测试中表现优异，超越众多顶尖模型。该模型不仅通用任务强，在科技金融等专业领域也表现亮眼，还能承担真实长链条智力任务。

OpenAI的奥特曼在播客中透露GPT - 5已在内部测试，其能力让他有无力感。他认为GPT - 5虽更聪明，但不意味人类价值终结，还提出环球基本财富构想，也坦言对AI影响的担忧。

本文介绍飞书未来无限大会成果，升级多维表格，发布知识问答产品与开发套件。还在直播节目中帮嘉宾解决业务痛点，如赵晓卉绩效汇报、朱萧木电商管理等问题。此外，飞书发布AI应用成熟度模型，推动行业健康发展。

智元机器人与上海创智学院联合发布全新具身智能训练范式 LWD，可让机器人在真实世界部署中持续自主改进。它打破传统 AI 静态模式，构建数据飞轮，在四大维度创新，经测试表现出色，或成具身智能转折点。

GPT-5发布后口碑不佳，直播事故、网友吐槽、专家唱衰不断，有人喊出‘AI第二次寒冬要来了’。但奥特曼认为这是节奏和期待错位，GPT-5在科研等高阶领域有提升，技术范式也有转变，且OpenAI仍看重规模。

炎炎夏日汽车暴晒后升温快，现有贴膜技术难以散积热。韩美团队结合光学与纳米工程，设计出新型多层薄膜 STRC，能在高透光下为车厢零能耗散热，实车测试效果显著，还具环保和规模化应用潜力。

中国AI独角兽MiniMax发布模型M2，刷新开源SOTA。它采用混合专家架构，平衡了智能、速度和成本。在多个权威测试中表现优异，价格仅为Claude 3.5 Sonnet的8%，还提供多种部署方式和限时免费服务。