「基准测试集」共找到 2449 篇相关文章
刚刚，Cursor被扒底裤！Claude Code套壳实锤，500亿估值全靠Ctrl+H？
知名开发者逆向分析发现，Cursor 3.0实锤套壳Claude Code，将其包装成「自主研发」。Cursor官方称是A/B测试，但证据显示更像正式集成。此事折射出AI应用层困境，应用层玩家只能在「外围战场」厮杀。
马斯克的底裤要被扒光了！超级爆料一个多小时， xAI 工程师被火速解雇
xAI工程师Sulaiman Ghori在播客大赞公司与马斯克，3天后却被解雇，或因曝光诸多敏感信息。他讲述公司无官僚流程、多线并行高效，马斯克决策快且能快速解决问题，公司还测试虚拟员工等。
让AI打游戏！能玩1000多款游戏，英伟达用4万小时视频训练出通用基础模型NitroGen
NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。
从数据分布视角，重新认识下CoT
本文从数据分布视角重新审视大语言模型的思维链（CoT）推理。指出CoT并非真正推理，而是模仿，其效果受训练与测试分布差异影响。通过实验揭示CoT在分布偏移时性能退化，提醒勿过度依赖。
OpenAI深夜祭出GPT-5，所有人能免费用！Altman：像和博士级专家对话
北京时间8月8日凌晨，OpenAI推出GPT - 5，宣称其更智能、准确，幻觉率低。还推GPT - 5 - mini和GPT - 5 - nano两款新模型，免费用户可使用部分版本。它在编程和健康领域测试表现出色，引发各界热议。
OpenAI再次跳票，奥特曼：开源模型无限期推迟！
奥特曼宣布OpenAI开源模型无限期推迟，称需额外安全测试和审查高风险领域。这已是第二次跳票，此前从6月推迟到夏末。而此时竞争对手纷纷上新，此决定加剧其身份分裂质疑和社区信任流失。
MSRA首测AI从零建仓库：能写、能跑，但不一定对丨ACL'26
微软亚洲研究院工作RepoGenesis被ACL 2026高分录用，它是面向多语言、仓库级、端到端Web微服务生成的基准。输入贴近实际，用多维度评测开源Agent和商业IDE，还拓展模型微调。但也有边界，未模拟真实复杂需求。
英伟达发布并开源Alpamayo：自动驾驶终于开始讲道理了｜甲子光年
北京时间今天凌晨，英伟达在CES现场发布Alpamayo系列开源AI模型、仿真工具及数据集，旨在推动推理型自动驾驶汽车开发。其核心模型Alpamayo 1可展示决策逻辑，此次发布是英伟达在该领域开放程度最高的尝试。
大模型开网店，谁是经营高手？E-Commerce Bench开源揭秘
为评估模型长程经营能力，联合淘天集团发布E-Commerce Bench，以10万本金、365天经营网店来评测。从多维度评估18个模型，结果差异大，还发现单一指标会掩盖模型表现，评估基准潜力大。
ChatGPT的第一块广告位，被谁买走了？OpenAI：别骂，我们这次所有底线都招了
OpenAI宣布将在ChatGPT测试广告，以标注“赞助”链接形式出现在回答底部，不影响回答内容。广告仅对免费版和Go套餐用户展示，OpenAI称广告收入占比将低于总收入一半，还说明了广告原则等情况。