「评估工具」共找到 2522 篇相关文章
10万token自然语言推理，让30B-A3B模型站上奥赛金牌线
上海人工智能实验室报告显示，30B - A3B规模的SU - 01模型不依赖外部工具，经训练在IMO、USAMO、IPhO等奥赛评测达金牌水平。研究还验证更高效科学推理系统路线，有望用于更多科学问题。
性能比肩Gemini 3 Pro！昨晚，阿里千问最强模型来了
1月26日深夜，阿里千问旗舰推理模型Qwen3 - Max - Thinking上线，综合性能对标GPT - 5.2与Gemini 3 Pro。它突破传统推理方式，有自适应工具调用能力，助其在企业级AI竞争中领先。
Vibe Coding 产品最大的错觉，是以为自己真的有护城河
Base44创始人Maor Shlomo认为Vibe Coding工具易被复制，技术护城河难寻。他指出真正的护城河是“垂直整合”，构建全栈平台很关键。还谈到市场竞争、软件发展趋势、公司策略等多方面内容。
具身智能迎来ImageNet时刻：RoboChallenge开放首个大规模真机基准测试集
近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。
开启 AI 自主进化时代，普林斯顿Alita颠覆传统通用智能体，GAIA榜单引来终章
普林斯顿大学AI Lab推出通用智能体Alita，秉持「极简即是极致复杂」哲学，采用「最小化预定义」与「最大化自我进化」设计范式，可自主创造MCP工具，在GAIA基准测试中表现卓越，还能实现MCP复用。
笑死，网友支招，破Agent长对话"变蠢"
文章指出用AI编程时，上下文一长模型就易“变蠢”，如违反约束、反复改文件等。分析原因是难从海量历史找重点，给出应对策略，还介绍Claude Code、Cursor、Codex等工具操作方法。
离GPT-5最近的一次！中国1万亿参数开源巨兽突然爆火
月之暗面发布全新模型Kimi K2 Thinking，自称开源「思考Agent模型」。它参数约1万亿，性能亮眼，碾压GPT - 5等，能连续调200 - 300次工具，已上线并开源API和权重，开发者可试用。
体验了两周Robot Phone，这是我第一次觉得手机活过来了。
作者体验两周荣耀Robot Phone后分享感受，它是有瑕疵但具探索感的产品，独特在云台与YOYO结合，带来新奇体验，解决自媒体人刚需，还让手机从工具迈向伙伴，使手机品类重获趣味。
宇树机器人被曝漏洞，机器人之间可相互感染，官方火速回应
宇树旗下多款机器人被曝存在严重无线安全漏洞，攻击者可借此实现最高权限控制，被攻陷的机器人还会自动扩散感染。发现者此前与宇树多次沟通无果后公开漏洞利用工具链，宇树回应已着手修复。
OpenAI新幻觉论文惹争议！GPT-5拉胯是测试基准有问题？？
OpenAI新论文《语言模型为何会产生幻觉？》提出，模型有幻觉是因标准训练和评估流程倾向奖励“猜对”。GPT - 5不爱猜测，在榜单表现不佳，网友质疑论文是为GPT - 5挽尊，论文引发网友多方向讨论。