「测试效率」共找到 2785 篇相关文章
超越DeepSeek-R1，数学形式化准确率飙升至84% | 字节&南大开源
字节跳动Seed团队与南京大学联合发布CriticLean框架，将数学自然语言到Lean 4代码的形式化准确率从38%提升至84%。该框架创新性地将评估模型置于核心，解决语义对齐等问题，还构建了相关基准测试和数据集。
阿里智能体多轮推理超越GPT-4o，开源模型也能做Deep Research
通义实验室推出自主信息检索智能体WebDancer，其通过系统化训练范式为构建智能体提供路径，也为在开源模型上复现Deep Research系统提供指导。它在多数据集测试中表现出色，团队还对其未来应用做了展望。
Meta“Token榜”逼疯打工人，一夜烧掉公司几万刀！AI时代Token焦虑越来越离谱
据报道，Meta 公司内网出现 AI token 消费排行榜，追踪超 8.5 万员工 token 使用情况，过去 30 天消耗超 60 万亿 token。这反映“Token 最大化”文化，引发 token 消耗是否等同于生产力的争议。当前 Agent 系统高 token 消耗是补偿机制，应提升使用效率。
机器人进入“边做边学”时代：星尘发布在线强化学习框架，让动态投掷成功率提升超141%
星尘智能基座模型团队公布在线强化学习框架SmoothRL，解决异步执行环境中具身模型在线微调难题。该框架让策略更新对应硬件实际执行，攻克延迟失准问题，在多项真机测试中大幅提升任务成功率。
一个「流浪」数学家的遗产，正在被AI公司疯抢
2026年，OpenAI等公司用AI解决多个匈牙利数学家Paul Erdős提出的问题，震动数学界。这些问题分布广、难度跨度大，适合模型测试。不过，AI证明的验证和人类数学家地位受关注。
提前实测Opus 5：3D细节封神，然而有一个致命缺陷
全网苦等Opus 5，结果其暂缓发布，理由是怕威胁人类对高级AI的控制，遭网友怒批。部分开发者提前实测，它3D细节表现出色，但耗token且看图测试翻车，原定有诸多强大特性。
可灵2.5Turbo实测｜顶尖AI视频模型，真能打平CG吗？
可灵发布2.5 Turbo版本视频模型，进步显著，提示词理解、高速动态表现、风格稳定性都有提升，价格还更划算。经多场景测试，其在特定场景下内容质量能与CG媲美，开始理解动作背后逻辑。
谷歌发布Nano Banana官方保姆级开发教程，代码给你喂到嘴边
谷歌为Nano Banana新模型发布官方保姆级开发教程。介绍了使用Google AI Studio免费测试方法，阐述环境准备，如获取API key、设置结算账户、安装Gen AI SDK，还展示代码实战，以及和模型沟通的技巧。
荣登HuggingFace周榜首位， 人大高瓴与快手提出ARPO实现智能体高效训练！
人大高瓴与快手提出的ARPO项目受高度关注，荣登Huggingface Paper日榜、周榜双首位。它是为多轮交互型LLM智能体设计的强化学习算法，在基准测试中，用一半工具调用预算就显著优于现有方法。
重塑注意力机制：GTA登场，KV缓存缩减70%、计算量削减62.5%
GTA由多所高校联合研发，提出大模型框架，解决传统多头注意力机制弊端。通过分组共享注意力矩阵和压缩潜在值表示，削减计算量、缩减KV缓存，实验验证其性能优、效率高，虽有局限但前景好。