「真机评测」共找到 1062 篇相关文章
知识类型视角切入，全面评测图像编辑模型推理能力：所有模型在「程序性推理」方面表现不佳
东南大学等团队提出KRIS - Bench，从知识类型视角对图像编辑模型推理能力评测。它分三大知识范畴、细化多种任务，设四维度评估指标，测10款模型，发现模型程序性推理等能力不足。
10个视频9个看走眼：连真视频都打Sora水印碰瓷，这世界还能信啥？
互联网充斥AI造假视频，真假难辨，造成诸多困扰。虽有部门要求打水印，OpenAI也如此，但有人给真视频打Sora水印。现有AI检测工具各有局限，检测技术发展任重道远。
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
4 个月 3000 万美金 ARR，做 AI 评测榜单的 LMArena 为何值 17 亿美金
AI评测产品LMArena半年前种子轮获1亿美金，现完成超1.5亿美金A轮融资，估值达17亿美金。其核心产品Chatbot Arena可对比AI模型回答并构建榜单，公布的数据或解答了其估值高的疑问。
首个面向科学任务、真实交互、自动评估的多模态智能体评测环境，ScienceBoard来了
ScienceBoard是首个面向科学任务、真实交互、自动评估的多模态智能体评测环境。它集成多领域科研软件，构建科研任务集合，评估智能体在科学任务上的表现，发现现有模型在科研工作流中远未成熟。
算力成本大降！马尔可夫思考机来了，LLM推理成本直接降为线性
用强化学习让LLM具备推理能力耗费颇高，计算量会二次级增长。Mila和微软研究院等团队提出马尔可夫式思考机，重构强化学习形式，让计算量呈线性，实验效果显著，还能与先进模型兼容。
GLM-5真够顶的：超24小时自己跑代码，700次工具调用、800次切上下文！
GLM - 5正式发布，把开源AI带入长任务时代。它超24小时自己跑代码，完成GBA模拟器，能力稳定。评测结果佳，在主流测试中编程能力与Claude Opus 4.5对齐，引发网友欢呼。实测还展现多种应用能力。
MoE不够看了，腾讯推出MoT：2B具身模型22项评测16项最佳
腾讯混元团队联合Robotics X实验室推出HY - Embodied - 0.5系列基础模型，含MoT - 2B和MoE - 32B两款主力模型。在22项评测中，MoT - 2B获16项最佳，其架构、数据和训练有创新，能应用于机器人控制。
AI教父辛顿上海WAIC主题演讲：LLM真的理解语言，数字智能极其危险，可以无限复制
AI教父杰弗里·辛顿在WAIC开幕式演讲，对AI发展警惕且悲观。他认为LLM真理解语言，数字智能与生物智能差异大，AI进化快很危险，人类应全球合作研究让AI向善。
一句话启动AI打工人？我用Claude Skills做了个“微博热搜挖掘机”，效率炸了！
作者黄叔分享用Claude Skills做“微博热搜挖掘机”，介绍其类似给AI员工发《员工手册》，还讲了准备工作，如获取微博热搜接口，输入指令后Claude自动干活，成果可观，Claude Skills适合普通人入门。