「黑盒测试框架」共找到 3144 篇相关文章
我给 Claude Code 加装了 MiniMax M2.5：它像“法拉利”，但更像一台工作机
作者给 Claude Code 加装 MiniMax M2.5 模型，测试其编程、上下文记忆等能力。M2.5 在多方面表现出色，能高效完成各类开发任务，还具备良好的中文处理能力，性价比高。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
谷歌DeepMind：AGI不必是巨型模型，拼凑型AI群或率先涌现，管理大规模Agent迫在眉睫
DeepMind最新研究提出，AGI未必以单一巨型模型形式出现，可能由多个次级AGI智能体协作拼凑涌现。为此，团队提出分布式AGI安全框架，包含四层深度防御模型应对新安全挑战。
论文秒变PPT！西湖大学AGI Lab推出Auto-Slides，科研汇报难度骤降
西湖大学AGI Lab推出Auto - Slides，输入论文PDF可自动生成演示文稿，支持自然语言交互修改。它采用多智能体协作框架，经实验验证优势明显，有望用于学术会议等场景，助力知识传递。
提速30倍，Meta重新定义了新一代RAG！
LLM时代，RAG成知识密集型任务标准范式，但处理长上下文时面临延迟高、内存贵问题。Meta超级智能Lab针对RAG特殊结构优化，提出REFRAG框架，有独特训练策略，实验效果显著。
北航LiveRepoReflection: 扭转乾坤-仓库级代码反射
本文提出LiveRepoReflection基准，评估多文件仓库代码理解和生成能力，含1888个测试案例。创建RepoReflection - Instruct数据集训练RepoReflectionCoder，评估40多个LLMs，结果显示其能有效测模型反思修复能力。
又一个Kimi K3下周开源！Qwen3.8-Max编程、办公、科研都能自己干了
Qwen3.8-Max是Qwen家族迄今最强模型，2.4万亿参数，下周将开源权重。它在多项基准测试中表现出色，能连续自主工作数天，在编程、办公、科研、长周期任务、多模态等方面全面提升。
物理AI的「原生」时刻：原力灵机发布具身大模型DM0
主流‘预训练 - 后适配’范式有局限，原力灵机联合阶跃星辰提出具身原生 VLA 模型 DM0。它能统一机器人操作与导航，在 RoboChallenge 测试领先，还介绍了架构、训练方法及未来演进方向。
哈工大最新研究AI Meets Brain
传统大模型有“健忘”问题，哈工大《AI Meets Brain》研究借鉴人类记忆机制，为AI智能体打造强大记忆系统。研究涵盖核心洞察、记忆形态、分类框架等内容，还探讨了记忆赋能方式及未来发展方向。
Google 新论文离谱到家了，0延迟0成本通用，提升大模型准确率最简单的方法。
Google新论文提出简单提升大模型准确率的方法，即重复提示词，把完全一致的输入连续发2次。主流模型适用，经70项benchmark测试，0场景效果倒退，47个场景准确率提升，且几乎不增延迟、成本。