「基准测试成本」共找到 3377 篇相关文章
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
OpenAI 推出 GPT-5 驱动的安全卫士Aardvark：Codex 绝佳搭档
OpenAI推出由GPT - 5驱动的自主安全研究智能体Aardvark，用于软件安全保障。它能持续分析代码仓库，识别并修复漏洞，目前在内部及合作伙伴代码库效果良好，正处私有测试阶段。
V4Flash 的价格、Opus4.8的能力，Ox Alpha （牛来）正式开源！
Ox Alpha 匿名模型上线 OpenRouter 后表现亮眼，消耗大量 tokens 并终结 DeepSeek 霸榜纪录。官方揭晓其为智谱 GLM - 5.3 Flash，价格低、能力强，经多场景测试，多模态理解等维度达顶尖水平。
刚刚，全球首个超高帧世界模型诞生！英伟达含量0，狂飙50帧
魔芯科技联合浙大潘云鹤院士团队发布全球首个Flash World Model——MoWorld，全栈基于国产NPU，实现50FPS实时推理，推理成本降70%，为世界模型产业化带来新思路。
拆解AI短剧流水线：4道技术关卡，和一个反直觉的赚钱真相
文章拆解AI短剧流水线，介绍其要解决的核心问题，用框架分析四道收敛闸门，提及主流工具组合，还算了成本账，指出产能涨但公司巨亏，赚钱关键从制作转向投流。
贴广告的ChatGPT，一夜之间让全球网友破了防
周六凌晨，OpenAI 公告计划在 ChatGPT 加广告，测试将在美国率先启动。此前已上线低价订阅版 ChatGPT Go。此外，马斯克与 OpenAI 官司相关文件解封，案件将进入审判。
17.6K Star跨平台逆向工程神器！免费替代IDA Pro，支持插件扩展！
在二进制文件分析或软件逆向工程中，专业工具如IDA Pro界面复杂、学习成本高。文章推荐开源跨平台逆向工程平台Cutter，它基于rizin核心引擎，功能完善，可降低使用门槛。
Vibe Coding两年盘点：Windsurf已死、Cursor估值百亿，AI Coding的下一步怎么走？
文章回顾2023年初到2025年中AI Coding发展，涉及Cursor、Codeium等产品轨迹。指出极端‘坏用户’使商业模式崩塌，需平衡‘交付质量’与‘token成本’，还提及‘Knowledge Suggestion’功能及目标用户选择。
任务级奖励提升App Agent思考力，淘天提出Mobile-R1，3B模型可超32B
现有Mobile/APP Agent依赖动作级奖励，难应对变化环境。淘天集团团队提出Mobile-R1框架，采用三阶段训练，结合任务级奖励，实验显示其表现超基准，团队还计划开源资源。
数据减少超千倍，500 美金就可训练一流视频模型，港城、华为Pusa来了
香港城市大学与华为香港研究所合作推出 Pusa 项目，它基于 FVDM 理论，可极低成本微调大规模预训练视频模型，成本降超 200 倍、数据减少超 2500 倍，代码已开源。