「测试任务」共找到 3332 篇相关文章
代码、多模态检索全面登顶SOTA！智源BGE向量模型三连击，并全面开放
检索增强技术在代码及多模态场景作用大，向量模型是关键。智源研究院联合高校研发三款向量模型BGE - Code - v1、BGE - VL - v1.5、BGE - VL - Screenshot，登顶多领域测试基准，已全面开放助力研究与应用。
The Batch: 978 | DeepSeek-V4-Pro 更新了
DeepSeek发布旗舰模型DeepSeek-V4-Pro-0813正式版，性能提升，还发布开源agent harness开发者预览版并提价。模型在多指标表现佳，编码能力改进明显，公司公开基准测试框架意义大。
4000 Star，Vibe Coding终级指南：胶水编程
Vibe Coding由karpathy提出，本文分享其终极指南。介绍了胶水编程、方法论精要、工具资源、编码模型性能分级参考等内容，还给出架构与工作流程，建议选第一梯队模型处理复杂任务。
GPT-5.2已上线24小时：差评如潮！
OpenAI 十周年推出号称强大的 GPT - 5.2，却差评如潮。它在 SimpleBench 测试结果不佳，回答不稳定，编程和艺术创作效果差，情商低、不通人性，审查和安全拒绝机制也饱受诟病。
多模态大模型理解物理工具吗？PhysToolBench提出了衡量多模态大模型对物理工具理解的基准
香港科技大学等团队提出 PhysToolBench，用于衡量多模态大模型对物理工具的理解。它将理解分为三个等级，测试 32 个模型，揭示了大模型在工具理解上的不足，也为未来发展指明方向。
让VLM学会「心中有世界」：VAGEN用多轮RL把视觉智能变成「世界模型」推理机器
当前VLM智能体面对复杂视觉任务表现不佳，美国西北大学等机构联合研究成果VAGEN，提出创新强化学习框架，奖励正确思考过程，让VLM在行动前构建内部世界模型，效果超多款闭源大模型。
字节突然开源Seed-OSS，512K上下文碾压主流4倍长度！推理能力刷新纪录
字节跳动突发开源360亿参数的Seed-OSS-36B，呼应OpenAI开源策略。它有512K超长上下文，引入“思考预算”机制。多项基准测试达开源SOTA，字节Seed团队此前也开源多个项目。
实测谷歌AI故事书，我实现漫画和绘本自由了
谷歌Gemini推出免费StoryBook工具，30秒左右可生成10页故事书，支持中文且内容有趣。测试显示，它在图像风格、故事创作上表现出色，还能作学习和展示工具，获网友好评。
研究显示：AI 编程工具在经验丰富的开发者手中表现未达预期
METR研究人员对经验丰富的开源开发者开展随机对照试验，让其使用Claude 3.5和Cursor Pro等AI增强型开发工具。结果显示，AI辅助编程使任务完成时间延长19%，与预期相悖。
The Batch：834 | 更一致的人物与风格
德国 Black Forest Labs 的 FLUX.1 Kontext 系列文本生成图像模型，可可控编辑图像。有 max、pro 和 dev 版本，功能含角色一致性和图像编辑，在测试中表现优，公司计划公开专有评估基准。