「产品测试」共找到 3216 篇相关文章
指导Harness的越多，收益反而越差
Thinking Machines Lab的《Interaction Models》指出，当下产品形态中，指导harness越多收益越差。问题在协作带宽，提出把“会交互”练进模型本体，介绍了从零训练的interaction model及架构，还指出现有交互评测不足。
刚刚，DeepSeek又探索新架构了，开源OCR 2
DeepSeek更新DeepSeek - OCR 2，引入DeepEncoder V2架构，实现视觉编码范式转变。模型和技术报告齐开源，在多项测试中表现出色，降低重复率，为全模态编码提供路径，但在报纸类文档识别有不足。
沃顿教授警告：老板用AI正偷偷赚钱，而你还在审它做的17份PPT？
AI跨越关键门槛能完成有经济价值的工作，但也可能产生大量无用内容。OpenAI新测试显示大模型进步快，虽暂难取代人类工作，但智能体工作续航能力大增，人类对其使用方式决定未来。
李飞飞最新思考：语言模型救不了机器人
本文是对李飞飞的访谈编译。她指出语言模型在世界理解上有短板，空间智能是关键，还探讨了AI发展历程、世界模型重要性等，介绍其公司产品Marble，强调人人在AI时代都有位置。
Windsurf快被Devin搞垮了！bug 不断、官方“装死”，百万用户要“跑”了？
Windsurf近期出现性能降低等问题，社区抱怨不断，但官方却隐身不回应。此前公司经历变动，Devin集成到Windsurf后问题频出，如级联错误、积分消耗等，部分用户开始转向其他产品，其未来发展存不确定性。
具身智能创业来了位浙大博导，机器人会飞，VC抢着投
具身智能领域，常见机器人多在地面作业。现微分智飞推出会飞的具身智能机器人，由浙大博导高飞创办。其与传统无人机不同，有自主决策能力。公司有行业和教育两条产品线，专注产品技术闭环。
DeepSeek之后，中国AI「自己出题」杀进Nature通讯！全球仅4家
一家成立不到两年的香港AI公司维纳智能，不堆参数、不依赖人工标注，靠让大模型自动生成高精度推理数据登上Nature通讯。其技术可解决Agent泛滥的困局，还推出特色产品，业务增长快。
Claude/Codex又爆猛烧钱bug，随时准备烧空你的额度，官方躺平不修复。
Claude、Codex这两个用户量大的Agent产品，存在官方不修复的烧钱bug。往会话贴的图片以base64存于session历史，反复重发计费，严重时会话废掉，官方此前也对类似问题不作为。
大模型能复刻这些系统吗？ProgramBench给出了残酷答案
斯坦福NLP组发布ProgramBench，用200个完整代码库重建任务测试主流大模型，要求模型仅根据可执行文件还原如SQLite等项目完整代码，结果所有模型实际解决率为0%，说明模型更擅模仿代码表面结构。
500行极简开源框架，硬刚GPT/Gemini视觉极限！
多模态大模型代码能力进步大，但基础视觉任务常失误。UniPat AI构建SWE-Vision框架，让模型用代码处理视觉判断，在五个视觉基准测试达最优，其极简设计有效且泛化性强，代码已开源。