「基准测试平台」共找到 3282 篇相关文章
实测新版LiblibAI：终于把模型、生图、工作流塞进一个碗了
本文实测新版LiblibAI，它上线多个模型，添加视频特效玩法。从“找模型”网站变为“AIGC流水线”平台，界面风格转变。虽有亮点，但也存在出图慢、模型惊喜感弱、页面卡顿等问题。
RL 将如何提高具身大模型 VLA 泛化性？清华大学团队NeurIPS 2025文章分析 RL 与 SFT 泛化性差异
清华大学团队在NeurIPS 2025发表文章，揭示强化学习（RL）提升具身大模型VLA泛化能力的优势，对比其与SFT差异，还提出评测基准和训练方法，为VLA训练提供新方向。
让RAG告别断章取义，HiChunk做到了~
现有RAG评测忽视文档切分，腾讯优图提出HiCBench评测基准和HiChunk框架。HiCBench含人工标注多级切分点与证据稠密QA，HiChunk用微调LLM建多级语义树，配Auto - Merge算法，实验效果佳。
对话逐际动力张巍：造机器人很容易，关键是用起来
量子位对话逐际动力创始人张巍，他表示人形机器人本体硬件制造容易，难点在大脑和小脑AI化能力。逐际动力要做技术平台，降低开发门槛，目标是让天下没有难落地的机器人。
Excel上微软式创新！=COPILOT()函数发布
微软CEO宣布Excel新功能`=COPILOT()`函数，可在单元格直接调用AI。它能进行文本分析、生成内容、整理数据，与计算引擎集成，结果随数据自动更新。现处测试阶段，有调用限制和版本要求。
Google 推出超小杯 AI：Gemma 3 270M！可进手机和浏览器
Google发布Gemma 3家族最小版本Gemma 3 270M，2.7亿参数，能耗低，在同规模模型中表现突出。设计理念是“够用就行”，适合特定任务，已在多平台发布，开源策略效果好。
扣子官宣开源，掀桌大动作背后如何决策？扣子负责人独家披露
7月26日，字节将AI Agent平台「扣子（Coze）」旗下Coze Studio与Coze Loop开源至GitHub，采用Apache 2.0许可证。文章披露开源决策背后故事，探讨开源版目标、定位，以及团队对Agent开发未来的思考。
先别急着给OpenAI加冕！陶哲轩：这种「金牌」，含金量取决于「赛制」
OpenAI 官宣推理模型在 IMO 获金牌水平成绩，此前各模型表现不佳。数学家陶哲轩劝谨慎看待，认为无严格测试条件难比较 AI 与人类。网友看法不一，模型训练方法及 Alexander Wei 受关注。
只因一个“:”，大模型全军覆没
一篇论文发现冒号等符号、“Thought process：”等语句能欺骗LLM，让虚假回答通过。实验表明所有测试模型都会触发假阳性响应。研究人员构建新“评委”模型Master - RM，可让假阳性率接近0%。
登上Science Robotics顶刊！清华团队耗时22年，终于教会机器人踢足球
今年8月，清华赵明国教授团队联合字节跳动Seed等在《Science Robotics》发表论文，提出视觉驱动的反应式足球技能学习框架。该研究历经22年技术接力，成果在真机和赛事中验证，加速进化平台助力研究。