「测试范式」共找到 2589 篇相关文章
从组件到系统，Agent 的 Evaluation 怎么做？
Agentic AI 兴起使 Agent Evaluation 成热点。评估 Agent 与 LLM 有本质区别，Agent Evaluation 要考察系统在动态环境实现目标的综合表现，传统 LLM 评估方法无法沿用。业界涌现 GAIA 等相关工作，评估范式也在不断演进。
Kimi K2 详测｜超强代码和Agent 能力！内附Claude Code邪修教程
作者熬夜带来 Kimi K2 模型详测及 CC+K2 邪修教程。K2 是 1T 参数量的 MoE 开源模型，基准测试成绩优异，在代码、Agent、数学推理任务表现突出，前端能力强，还能驱动 Claude Code，成本低。
搜索智能体RAG落地不佳？UIUC开源s3，仅需2.4k样本，训练快效果好
当前 Agentic RAG 落地有挑战，UIUC 和 Amazon 提出 s3 训练范式。它仅需 2.4k 样本，训练快且效果好，解决了优化目标偏离、检索与生成耦合等问题，在通用和医学 QA 任务中表现出色。
MiniCPM 4.0极速狂飙，端侧模型的比赛，结束了！
面壁智能联合清华发布MiniCPM 4.0，极限场景220倍加速。它是首个原生稀疏模型，有InfLLM v2、CPM.cu等创新，基准测试碾压对手，适配全平台，还有科研、工具调用等功能，标志端侧长文本时代到来。
Claude Opus 4.7深夜上线，评分碾压
周四晚间，Anthropic 宣布 Claude Opus 4.7 全面上市。它在高级软件工程、视觉效果上表现出色，多项基准测试优于 Opus 4.6。还具备新特性，如自动模式等，安全性能与 Opus 4.6 相似。此外，Anthropic 还有相关更新。
击败 GPT-5！理想汽车开源 RubricHub：大模型开放生成从此有了专业裁判
理想汽车基座模型团队联合高校发布RubricHub数据集，解决开放式任务评价难题。该数据集可将主观评价转化为量化标准，经其训练的Qwen3 - 14B小模型在医疗基准测试中超越GPT - 5。
从6人日到1人日：一次AI驱动的客户端需求开发实战
文章分享AI驱动客户端需求开发实战，从实践活动汇总AI Coding问题，给出解决建议。以穿搭动态框架需求为例展示开发过程，对比效率提升300%，还探讨需求拆分、Prompt编写等问题，介绍业务开发范式。
Qwen新开源，把AI生图里的文字SOTA拉爆了
通义模型家族新开源图像生成模型Qwen - Image，是通义千问系列首个图像生成基础模型。实测其对提示词理解到位，文字渲染高保真。它具备复杂文本渲染、一致性图像编辑能力，在多基准测试达SOTA。
媲美Claude 4，支持100万上下文！阿里开源超强代码AI Agent模型
阿里巴巴开源超强AI Agent模型Qwen3 - Coder - 480B - A35B - Instruct，测试分数媲美Claude Sonnet 4，超越DeepSeek。它参数多、支持大上下文窗口，训练数据优质，还进行代码强化学习扩展训练等，有对应命令行工具。
Claude Code + Kimi K2全栈开发教程，1小时上线「"丑咪"挑战赛」！
作者分享用Cursor + Claude code + Kimi K2开发「丑咪挑战赛」全栈项目的体验，介绍组合优势、接入教程、前端测试案例和使用技巧，认为Kimi K2在agent和coding能力上表现不错，适合作为Coding模型。