「性能评测」共找到 2473 篇相关文章
刚刚，梁文锋署名开源「记忆」模块，DeepSeek V4更细节了
十几个小时前，DeepSeek 发布新论文，与北大合作，作者有梁文锋。针对大模型问题提出条件记忆，用 Engram 模块实现，已开源。结合此前研究，DeepSeek v4 模样渐清。模型性能、效率表现优，并发现 U 型扩展规律。
开源“裸考”真实世界，国产具身智能基座模型拿下全球第二！
国产具身智能基座模型WALL - OSS在RoboChallenge真机评测榜单获全球第二，多个单任务排第一。它是开源模型，开源程度彻底。还介绍其技术突破及团队情况，强调开源对具身智能发展意义重大。
全球首次，「AI记忆」开源落地！MIRIX同步上线APP
加利福尼亚大学圣迭戈分校博士生王禹和纽约大学教授陈溪联合推出并开源全球首个多模态、多智能体AI记忆系统MIRIX，还上线桌面端APP。MIRIX性能远超传统方法，首次将记忆分六模块，用多智能体系统控制。
8B模型可以超过GPT-4o！并行KV Cache压缩支持的128K长度外推方法ParallelComp
大模型长文本推理存在瓶颈，作者提出 ParallelComp 方案。它有并行 Attention 分块、KV 缓存智能淘汰与注意力偏差校准三大创新，能让 8B 模型性能达 GPT - 4o 的 91.17%，特定任务超 GPT - 4o。
告别微调时代：拖拽式LLMs实现12000倍加速适配，输入描述，秒级定制LLM，效果、速度全面超越
传统高效微调技术成大规模部署瓶颈，论文提出Drag-and-Drop LLMs (DnD)，仅需输入目标任务未标注提示，即可秒级生成适配的LoRA权重，实现LLM秒级免训练适配，效率、性能和泛化性上均有突破。
阿里通义开源「推理+搜索」预训练新框架：小模型媲美大模型，多个开放域问答数据集表现显著提升
阿里通义实验室开源通用预训练框架MaskSearch，引入检索增强型掩码预测任务，兼容两种训练方法。实验显示，它在多数据集提升模型性能，小模型能媲美大模型，还验证了训练方式、策略及奖励函数的效果。
千问AI Arena上线：给Agent一个真实的战场
8月12日，阿里千问AI平台上线‘千问AI Arena’，这是面向AI Agent的挑战与评测平台。它从真实业务产生任务，征集解决实际问题的Agent方案。首个任务聚焦跨境电商，有丰富奖励和评审机制。
世界模型的新用途：不做选手，去当裁判
眼下具身赛道都在抢着做机器人的“大脑”，而地瓜机器人发布的世界模型Uranus却剑走偏锋，做机器人开发的基础设施。它能更客观地评测VLA和世界模型，还能做机器人训练的“场地”。
国产新模王Qwen3.7-Max，海外开发者已经沸腾了
阿里通义千问团队发布的 Qwen3.7-Max，或为面向 Agent 时代的旗舰模型。它能自主跑 35 小时、完成 1158 次工具调用，内核优化不掉线，多项评测领先，应用场景丰富，已上线且兼容主流框架。
Claude Opus 4.7深夜上线，评分碾压
周四晚间，Anthropic 宣布 Claude Opus 4.7 全面上市。它在高级软件工程、视觉效果上表现出色，多项基准测试优于 Opus 4.6。还具备新特性，如自动模式等，安全性能与 Opus 4.6 相似。此外，Anthropic 还有相关更新。