「基准构建」共找到 2651 篇相关文章
马斯克发布“地球最强AI模型”Grok 4：横扫所有榜单，在“人类最终测试”超越人类博士”！
北京时间7月10日，马斯克团队发布Grok 4，其基准测试成绩惊人，在‘人类最终测试’等表现出色。它成功源于多智能体协作、追求真相哲学和高算力投入，还在多领域展现应用潜力，同时公布定价并坦言短板。
全球首个通用决策大模型，AI推演现实世界的技术揭秘
中科闻歌决策机Decitron被称为「全球首个通用决策大模型」，它将不同能力统一到开放世界决策框架，形成闭环。8月3日其技术报告发布，公开三项核心技术，还介绍了推演流程和实验验证情况。
GPT5.5 + Codex 如何跑一整夜，编程的下一步，不是辅助编程，是可托管执行单元
文章指出GPT - 5.5在Codex里展现出强大自主性，能处理长时程任务。还介绍让其跑长任务的方法及面临的问题，强调长任务需状态机、证据链等，社区也在构建相关工作流层。
想成为一名合格的 AI PM，先抛弃过去那些让你成功的经验
文章指出 AI 产品经理与传统产品经理不同，AI 是会演进的系统。掌握 AI 产品策略是 PM 首要技能，从方向、差异化、设计、部署、领导力五阶段构建策略，还介绍了结构化实验方法，无策略的 PM 将被淘汰。
7个AI玩狼人杀，GPT-5获断崖式MVP，Kimi手段激进
OpenAI总裁转发基准测试，让7个LLMs玩210场狼人杀。GPT - 5胜率96.7%断崖式领先，国产Qwen3和Kimi - K2分列第4、6。测试方分析模型性格，还借此研究LLMs社会行为，长远目标是实现AI驱动的市场研究。
GLM-5.1夺开源模型第一，长程任务更稳，一句话就能生成文章短视频
智谱官宣GLM-5.1开源，代码能力增强，在三项代码评测基准综合平均分上，取得全球模型第三、国产及开源模型第一。它专为长程任务设计，能8小时持续工作，还能一句话生成短视频，是平替Claude Sonnet 4.6的优选项。
16 年老程序员用 Claude Code 搞副业：我只手敲了 1000 行，剩下 95% 代码靠自动生成
Anthropic公司的AI编码助手Claude Code推出4个月吸引11.5万开发者，单周处理代码量达1.95亿行，预估年化收入约1.3亿美元。开发者Indragie用其构建macOS应用，2万行代码中手写不到1000行，还分享使用技巧与体验。
中科大 × 华为联合突破！SparseRM：1% 参数实现 LLM 偏好建模高效革新
中科大与华为联合提出SparseRM轻量级偏好建模方案，基于稀疏自编码器构建低参可解释奖励模型。实验显示它用不到1%可训练参数，在多任务中性能优，还能融入下游对齐流程，为LLM高效对齐提供新可能。
两次拿到陆奇投资，张浩然这次想用 Agencize AI 干掉所有工作流 Agent
Agencize AI 创始人张浩然认为，所有要求用户预先构建工作流的 Agent 都是错的。该产品让用户只需描述意图，就能完成自动化工作，为用户生成个性化软件，连接传统 SaaS 软件。其还谈到未来软件变革及产品壁垒等。
告别高昂重制成本！港科大广州、快手可灵发布立体视频转换单步推理新方案
随着 3D 设备发展，人们对 3D 立体视频需求增加，但高昂制作成本成阻碍。快手可灵与港科大广州团队联合提出 StereoPilot 模型，能快速将 2D 视频转为高质量 3D 视频，还构建了 UniStereo 数据集。