搜索：编程基准测试

「编程基准测试」共找到 2950 篇相关文章

Google 新论文离谱到家了，0延迟0成本通用，提升大模型准确率最简单的方法。

Google新论文提出简单提升大模型准确率的方法，即重复提示词，把完全一致的输入连续发2次。主流模型适用，经70项benchmark测试，0场景效果倒退，47个场景准确率提升，且几乎不增延迟、成本。

近年来，LLM和Agent在记忆管理上存在挑战，现有评估方法无法定位幻觉来源。论文提出HaluMem评估基准，通过三大任务和两个数据集揭示记忆系统幻觉行为，为开发可靠记忆机制提供指导。

吴恩达发文剖析GenAI应用工程师这一新兴职业。指出其技能要求与传统软件工程师不同，强调掌握多种AI积木块、利用AI辅助编程工具的重要性，还提及产品技能是加分项，并给出面试关键问题。

今日小红书基础模型FireRed - Image - Edit亮相，在复杂编辑指令、风格化转换等核心指标表现强，在多项权威测试达SOTA。该项目代码等已开源，模型权重将开源。团队还推出RedEdit Bench评测方案。

芯片初创公司Bolt Graphics首款GPU模组Zeus 4C，路径追踪性能达RTX 5090的13倍。但它不适合游戏场景，更擅长低功耗高精度图形渲染，不过测试、应用、价格目前都是未知数。

Grok 4一夜爆火硅谷，一张内部作战图显示其幕后团队华人学者占比达80%，包括Jimmy Ba、吴怀宇等。独立评测中Grok 4成绩优异，但也有人质疑其代码基准结果有过拟合嫌疑。

Claude Code 发布 `/schedule` 命令，可在云端创建定时任务，让 Claude 自动干活，即便关电脑任务也照跑。该功能用法简单，还支持多种创建方式和执行频率。此外，Claude Code 三月更新频繁，正从编程助手转向自动化成员。

文章分析 MLPerf Storage v2.0 测试结果，探讨不同存储系统在 AI 训练中表现。在满足 GPU 利用率阈值下，能支撑更多 GPU 的存储系统扩展性与稳定性更强，还需关注资源利用率。以太网存储方案灵活且成本效益高。

斯坦福HAI《2026年AI指数报告》指出，中美AI模型性能差距基本消除，AI能力加速发展且普及快，但也存在安全基准滞后等问题。报告含15个主要结论，已成为业界重要参考。

Meta发布闭源大模型Muse Spark及‘沉思模式’，背后藏PDR推理技术。该技术通过‘并行起草+精炼’突破性能瓶颈，对比传统长CoT范式优势明显，在AIME竞赛题目测试中准确率显著提升。