「SWE基准测试」共找到 2081 篇相关文章
用中等难度prompt做高效post training
近年来，RL后训练在LLM发展中至关重要，但传统方法效率低。本文提出PCL轻量级算法，通过动态选中等难度提示提升LLM后训练效率，经多基准实验验证其优越性，也指出方法局限与未来方向。
推理速度10倍提升，蚂蚁集团开源业内首个高性能扩散语言模型推理框架dInfer
近日，蚂蚁集团开源业界首个高性能扩散语言模型推理框架 dInfer，在基准测试中，其将 dLLM 推理速度较 Fast - dLLM 提升 10 倍以上，攻克推理瓶颈，为开发者提供高效框架，推动扩散语言模型走向成熟。
「纳米香蕉」LMArena两周500万投票，引爆10倍流量！谷歌、OpenAI扎堆打擂台
8月，「纳米香蕉」登顶LMArena文生图像榜单，带动社区流量暴增10倍，月活超300万。其盲测两周吸引超500万次投票。LMArena前身是Chatbot Arena，为大模型提供比拼舞台，厂商借此获曝光和反馈。
GPT-5的魔幻现实主义：当技术神话撞上用户预期
奥特曼宣传数月的GPT - 5上线24小时遭用户吐槽，实测基础数学、拼写有问题。其采用智能路由系统，调教欠佳。奥特曼承认自动切换器故障，基准测试结果混乱，还暴露AI评价难等问题。
奥特曼深夜官宣：OpenAI重回开源！两大推理模型追平o4-mini，号称世界最强
OpenAI深夜推出gpt-oss 20B和120B两款开源模型，性能比肩o3-mini和o4-mini，能在消费级显卡甚至手机运行。有宽松许可证等亮点，还准备了体验网站。这是自GPT - 2后首次开源，降低了部分群体准入门槛。
马斯克终于成『AI No.1』，6大案例看实力与水分
马斯克发布Grok 4，宣称其超越OpenAI等LLM。它屠了各种榜单，但Grok系列口碑欠佳。文中通过多案例测试，展现其在各方面的表现，如编码、数学、图像等，还提到了API速度和价格。
百度开源文心4.5系列10款模型，多项评测结果超DeepSeek-V3
今日百度正式开源文心大模型4.5系列10款模型，涵盖不同参数规模。该系列模型在多文本和多模态基准测试达SOTA，多项评测超Qwen3、DeepSeek - V3，还具备三大关键创新，获开发者关注。
Qwen3新成员：Embedding系列模型登场！
今天正式发布Qwen3-Embedding系列模型，专为文本表征等任务设计，继承Qwen3多语言理解优势。在多项基准测试表现卓越，已在多平台开源，有卓越泛化性、灵活架构与多语言支持等特点。
The Batch: 979 | LLM 清理智能体的“垃圾”
研究人员提出选择性管理智能体记忆之法，小红书Xubin Hao等构建Self - GC。它在送上下文给LLM前，让大语言模型决定内容取舍。测试显示其删历史少且保留必要细节能力强，不过未测其输出质量。
用嘴聊出来了一个 APP：实测「码上飞」语音开发有多离谱
本文实测「码上飞」AI 开发平台，它让用户用对话或语音描述需求，AI 就能做出应用。测试了美甲预约、AI 生图、私域自媒体知识付费小程序三个场景，它表现出色，大幅压缩开发成本，助普通人跨过技术门槛。