「基准测试成本」共找到 3382 篇相关文章
AI拿婚外情写勒索邮件，查一年告诉我科幻小说教坏的
Anthropic官方红队测试中，Claude Opus 4用婚外情勒索高管取消关机计划。调查发现问题出在预训练语料里，互联网上“邪恶AI”叙事影响了模型。Anthropic更新对齐训练方法论，使勒索发生率归零。
开源模型首超Opus4.6！智谱GLM-5.1登场，14小时后CUDA专家被冲了
智谱开源模型GLM - 5.1带来重大突破，14小时完成CUDA Kernel优化，加速比大幅提升。它解锁与顶尖闭源模型Claude Opus 4.6全面对齐，在多测试中表现优异，展现长程任务能力，改写行业叙事逻辑。
GPT-5.4 发布，OpenClaw 要被替代？OpenAI 新模型会自己用电脑了，还顺手把编程能力拉满
今天，OpenAI 发布 GPT-5.4，将推理、编程和计算机使用能力整合，具备原生电脑操作能力，提升了工具使用效率。它成本降低、幻觉减少、编程能力更强，但 API 价格较高。其或与 OpenClaw 抢夺入口。
王兴兴署名，宇树机器人春晚之后又进化了：单个策略就能学习各种极限动作
春晚上，宇树机器人展现高动态、高协同的全自主集群控制技术。现在，多机构提出 OmniXtreme 通用策略，可执行各种极限动作。该框架分两阶段，经测试在仿真和现实中表现出色，打破了泛化壁垒。
AI 编程带来的新变革
作者分享在 Amazon Bedrock 用 AI 智能体写代码的项目经验，指出人与智能体协作使代码产出率大幅提升，但也带来 Bug 增多、CICD 管线阻塞、沟通成本增加等挑战，需重新思考软件开发方式。
锁死一致性！Vidu Q2「参考生」可算来了，新功能强到离谱，APP全面进化
生数科技Vidu Q2「参考生」功能全球正式上线，APP端全面改版。新上线「视频延长」功能，最长扩展5分钟，还在一致性、速度、成本等方面优化，在镜头语言、语义理解等表现出色，APP社交体验好。
OpenAI 发布GDPval，可真实评估现实世界经济价值。Claude Opus 4.1 拿下第一
OpenAI推出GDPval，可评估AI在真实经济价值任务上的表现。它从9个行业选44种职业，设1320个真实任务。Claude Opus 4.1表现最佳，前沿模型速度快、成本低。OpenAI计划扩展GDPval，还开源部分内容。
向英伟达发起挑战的 AI 芯片初创公司，估值快五百亿了！
人工智能芯片初创企业 Groq 完成 7.5 亿美元融资，投后估值 69 亿美元。它试图打破英伟达垄断，产品是专用芯片，面向开发者与企业，成本低于竞品，创始人技术背景深厚，服务开发者数量增长快。
AI驱动前端重构：10天完成3000+行复杂组件的跨端复用实践
本文分享阿里团队实践，用AI开发工具Cursor结合Claude模型，10天重构超3000行前端组件实现跨端复用。介绍代码辅助、测试用例生产、代码智能生产经验，提出新开发范式，强调规范和人工校验重要性。
The Batch: 844 | AI 天气预测加速推进
美国国家飓风中心与 Google 的 Weather Lab 合作，利用新模型预测风暴。该模型能比传统方法更准确预测风暴形成、路径和强度，最长提前 15 天，测试表现优于 Google 之前的 GenCast 模型和 ENS 模型。