「基准测试集」共找到 2449 篇相关文章
Claude官方即将推出Chrome浏览器插件，可能....其它所有的AI浏览器插件都会死。
Claude官方即将推出Chrome浏览器插件，现正进行小范围测试。它功能强大，能在侧边栏操作页面，还能处理日程、邮件等工作。相比多数插件，它安全性高，或让仅能总结摘要的插件被淘汰。
“边说边思考”，Mini-Omni-Reasoner 开创实时语音推理新范式
Mini - Omni - Reasoner将推理能力引入大型语音模型，开创“边说边思考”范式，实现实时语音推理与交互。推出Spoken - Math - Problems - 3M数据集，经四阶段生成流程构建。训练采用分阶段策略，性能超基础模型。
GPT-5：没有AGI，失望和天花板，最具竞争力的可能是定价
刚看完GPT - 5发布会，整体令人失望。发布会现错误图片，市场反馈不佳，专家认为开发仓促。它有三个型号，基础性能表现不一，在部分测试中不如竞品，亮点是价格有竞争力，代码能力受开发者好评。
ACL 2025 高分接收 | 高感情语音技术：逻辑智能小语种TTS破局之道
语音合成技术在大语种发展好，但小语种因语料稀缺等面临挑战。逻辑智能团队提出针对低资源语言TTS的解决方案，构建泰语数据集，经先进预处理，其TTS模型效果好，有零样本克隆能力。
登上Nature子刊！Meta脑机接口重大阶段性进展，超高实时解码准确率
Meta在非侵入式脑机接口研究取得重大进展，Brain2Qwerty v2能从原始脑信号实时解码句子，平均词准确率达61%，最优78%。研究团队开源训练代码，数据集也同步开放，但应用于临床仍面临精度和设备限制。
刚刚，马斯克终极大招Grok Bot来了！
SpaceXAI发布Grok Bot早期测试版及将发布4.6版本。它是云原生AI Agent，能24小时工作、多Bot并行协作，还能跟班学习。它是600亿收购Cursor的成果，对标Anthropic的Claude Cowork。
月耗3000美金的Skills重度用户，实测MiniMax M2.7：国产Agent模型的天花板？
AI产品黄叔作为月耗3000美金的Skills重度用户，实测MiniMax M2.7，从多Agent协作、Coding能力、办公自动化等多方面测试，发现其表现出色，虽有不足，但在多维度已是国产模型天花板。
评估工程正成为下一轮 Agent 演进的重点
文章指出传统软件工程测试方法难用于 AI 系统，促使评估工程成 Agent 演进重点。它贯穿 AI 生命周期，正走向体系化。介绍评估工程发展阶段，还提及阿里云 RM - Gallery 和云监控 2.0 实践。
腾讯混元CL-bench续作发布，让大模型读懂你的日常生活
腾讯混元团队推出CL - Bench Life，用于精准衡量AI在现实生活中的“上下文学习”能力。测试12个语言模型，结果显示模型处理高噪声零碎context能力不足，揭示当前顶尖AI模型还远未读懂日常。
真钱买假模型？187篇论文被「套壳API」坑惨，准确率暴跌
CISPA论文指出，第三方影子API可能用廉价替代品替换前沿大模型。研究追踪17个服务，发现已被187篇论文引用。测试显示，影子API在多领域性能差，安全不可控，供应商有三种欺骗手段。