「基准测试平台」共找到 3282 篇相关文章
DeepSeek们越来越聪明，却也越来越不听话了。
论文《When Thinking Fails: The Pitfalls of Reasoning for Instruction - Following in LLMs》用实验验证，模型推理能力变强时，提示词遵循能力变差。研究团队对15个模型测试，发现用CoT推理后执行准确率下降，还提出4种提升指令遵循效果的方案。
The Batch：820 | Qwen3 向 DeepSeek-R1 发起挑战
阿里巴巴发布八个大型语言模型权重，含两个 MoE 架构和六个稠密模型。预训练数据达 36 万亿 token，支持 119 种语言及方言。测试中 Qwen3 家族表现出色，或终结 DeepSeek - R1 霸主地位，设计用于智能体系统。
终于突破限制啦，11.2k Star LiveContainer，抓紧试一下！！！！
LiveContainer官方定义是app launcher，能将多个IPA以访客App形式放进运行环境加载，可在现有iOS规则里降低测试摩擦，获11.2k Star。但它并非虚拟机或强隔离沙箱，使用有诸多限制。
00后高盛金融男，欲奸杀前女友，被ChatGPT上报后被捕
25岁前高盛分析师Darren Zhou在ChatGPT写下强奸谋杀前女友计划，OpenAI检测到威胁后举报给FBI。Zhou 8月认罪，被判8年缓刑。此前OpenAI曾因未报警致枪击惨案，AI平台报案界限待明确。
OpenAI首款芯片问世：用AI设计，9个月流片
本周三，OpenAI 与博通合作推出首款芯片 Jalapeño，用于人工智能推理负载，由博通制造。它用 AI 设计，9 个月流片，性能未公布但早期测试显示每瓦性能优，目标 2026 年底前初步部署。
首个时空时序推理框架：让大模型真正读懂时空数据 | ACL'26
STReasoner是首个结合时间序列、空间结构和自然语言的推理模型，能识别异常源、追踪影响路径。研究团队构建数据生成框架和评测基准，采用三阶段训练策略，模型在多任务表现优，成本低且泛化能力强。
字节Seedance 2.0发论文了，171人署名，吴永辉曾妍在列
现象级AI视频技术字节Seedance 2.0在arXiv发论文，公布26页Benchmark和170位贡献者名单。此时它正通过Byteplus平台铺向全球，支持多模态输入。该模型突破瓶颈，评测表现优异，团队近半换血。
视频字幕处理开源神器
卡卡字幕助手（VideoCaptioner）操作简单，无需高配置，支持 API 和本地离线语音识别，利用大语言模型处理字幕。它支持多平台视频下载处理，有专业语音识别引擎，能智能纠错、高质量翻译、调整字幕样式。
谷歌黑魔法，没人能看懂的Gemini 3 Flash
Gemini 3 Flash速度快3倍且智力超Pro，但没人明白其更「聪明」的原因。它打破「参数即正义」逻辑，在多项测试领先。谷歌或靠TPU、算法、数据优化，还可能用了Titans架构，有重大战略意义。
比NanoBanana更擅长中文和细节控制！兔展&北大Uniworld V2刷新SOTA
兔展智能与北京大学的UniWorld团队推出图像编辑模型UniWorld - V2，它提出UniWorld - R1框架，在权威测试中超越顶尖闭源模型。该框架通用性强，能提升其他基础模型性能，相关论文、代码和模型已开源。