「基准测试成本」共找到 3377 篇相关文章
一天两枚“代码核弹”：OpenAI 祭出首个“主打实时协作”的 Codex 模型，谷歌放出 Gemini Deep Think，码力冲到世界前8
OpenAI 发布 GPT - 5.3 - Codex - Spark 研究预览版，专为实时编码设计，降低交互延迟。谷歌更新 Gemini 3 Deep Think，面向科研与工程难题，在多领域测试表现出色，二者引发网友热议。
关于多模态大模型Token压缩技术进展，看这一篇就够了
多模态大模型跨模态融合带来高计算成本，催生MLLM Token Compression研究。北大等机构人员基于压缩位置对方法系统归类，讨论特定场景压缩机制选择，还探讨了挑战与前景方向。
用企业级智能体落地，还有谁没踩这四种大坑？无问芯穹的系统性解法来了
企业级智能体落地遇效果、稳定、成本和商业闭环四大难题，无问芯穹推出智能体服务平台，从多方面提供解决方案，并展示SysCoding Agent案例，其基础设施或成企业拉开差距关键。
Cloudflare 用 Rust 重写核心系统：CDN 性能提升 25%，响应时间缩短 10 毫秒
Cloudflare 宣布用 Rust 重写核心子系统，响应时间缩短 10 毫秒、性能提升 25%。基于代理框架 Oxy 构建 FL2，创建中间层让 Rust 模块在旧系统运行，还制定测试发布策略及回退机制。
「微调已死」再添筹码，谷歌扩展AI自我进化范式，成功经验与失败教训双向学习
近期，‘微调已死’言论引关注。谷歌《ReasoningBank: Scaling Agent Self - Evolving with Reasoning Memory》论文提出类似概念，可让智能体从自身成败经验学习，还引入MaTTS，实验显示其有效性和效率优于基准方法。
刚刚，智谱推出全球首个手机通用Agent，人人可用
智谱发布新版AutoGLM，是全球首个手机通用Agent。它为用户配备云端手机，能在不影响用户操作的前提下完成各类任务，还在技术上有重大突破，成本更低，代表全新互联网流量。
训练200万小时！OpenAI刚刚开源GPT-oss，AI Agent专属模型、可商用
今天凌晨OpenAI开源大模型GPT-oss，有1200亿和200亿两种参数，支持商用。它针对AI Agent训练，功能丰富。训练耗时超200万小时，测试表现出色，架构设计也有亮点。
MCP实战｜从0到1构建异步 DeepResearch 工具，支持进度推送与超时控制
本文借助开源项目，构建可在MCP Server中异步运行的DeepResearch，支持任务进度推送与超时控制。介绍项目架构、构建步骤、任务管理器实现要点及效果测试，还提及优化方向并给出源码。
复旦提出自适应Reasoning方法ARM，“能屈能伸”
复旦提出自适应Reasoning方法ARM，解决LLM‘过思考’问题。ARM内置四种解题策略和三种决策模式，还搭配Ada - GRPO算法，在23个数据集测试中表现出色，省token、提速度且准确率高。
龙虾冲浪终于不迷路了！网页智能体新框架Avenir-Web开源即SOTA
伦敦大学学院等团队推出开源框架Avenir - Web，解决现有Web Agent在复杂网页操作中的难题。它采用模块化设计，包含经验模仿规划等模块，在ONLINE - MIND2WEB测试中表现出色，已开源供开发者探索。