「测试瑕疵」共找到 1738 篇相关文章
大模型玩不好数独？！Transformer作者初创公司公布排行榜：o3 Mini High“变异数独”正确率仅2.9%
Transformer作者初创公司Sakana AI公布AI解决数独能力排行榜，用全新基准Sudoku - Bench考验大模型创造性推理能力。结果显示大模型总体正确率仅15%，9×9数独中高性能模型o3 Mini High正确率2.9%。
Claude 4发布：最强AI编程模型+最强AI Agent基建！
Google I/O大会后一天，Anthropic凌晨发布Claude Sonnet 4和Claude Opus 4。Claude Opus 4是“世界上最好的编程模型”，Claude Sonnet 4适合日常编程。此次更新有四大核心改进，聚焦开发者。还介绍了工作模式、定价等。
一分钟做3D音符版“跳一跳”，Flowith成通用Agent新“必玩王者”丨TIP 003
Flowith作为较早出海的AI产品，以自由画布+通用Agent组合出圈。其Neo版本技术功能强，产品服务有亮点，如不限DeepResearch任务、以人为主的智能代理、回答速度快等，虽有不足但未来值得关注。
北大校友、OpenAI前安全副总裁Lilian Weng关于模型的新思考：Why We Think
北大校友Lilian Weng更新博客《Why We Think》，回顾利用测试时计算研究进展，探讨激励模型思考方式，介绍思维链、并行采样、序列修订等策略，还提及强化学习、外部工具使用及未来研究方向。
DiffMoE：动态Token选择助力扩散模型性能飞跃，快手&清华团队打造视觉生成新标杆！
清华大学和快手可灵团队推出DiffMoE，通过创新的动态token选择机制和全局token池设计，拓展了扩散模型的效率与性能边界。实验表明，DiffMoE在多方面超越现有模型，未来集成先进技术或有新增益。
支持中文！NotebookLM自动生成播客
Google宣布NotebookLM语言摘要功能支持50多种语言，包括中文，可将上传文档转成播客对话形式。以一篇AI进化论文为例展示效果，其音频和内容质量不错，学习输入立体，还能助力AI播客创作。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google将Gemini 2.5 Pro更新为05 - 06版，此版代码能力在WebDev Arena盲测竞技场登顶，还提升视频理解能力，可将视频变成可视化网页，虽产品有不足，但模型进步值得肯定。
实战指南：从零构建 MCP 架构下的 Agentic RAG 系统，无第三方MCP Server
五一期间作者用MCP架构从零实现Agentic RAG系统，分享MCP与Agentic RAG融合思考、架构设计，介绍MCP服务端和客户端实现，还做了端到端效果演示，指出架构优势及待优化处。
刚刚，Claude两个新模型曝光！
开发者在Anthropic的API中发现Claude的两个新模型代号claude - marshmallow - eap和claude - melon - eap，目前处于内部测试阶段。社区有多种推测，且Anthropic命名风格改变，新模型或下月发布。
ChatGPT最强网络安全模型，逼谷歌紧急修漏洞！
OpenAI推出安全专用模型GPT-5.6-Cyber，用于处理信息安全任务。它战绩斐然，发现诸多内核漏洞。Daybreak计划为安全人员提供工具。该模型虽有不足，但展现出强大的网络安全能力。