「高级推理测试」共找到 3444 篇相关文章
搜攻略到凌晨3点？飞猪AI“问一问”用1张表谋杀废话
作者用旅游方案提示词测试各类Agent产品，多输出废话。飞猪“问一问”旅行Agent却很厉害，能生成实用旅行规划，还给出汇总表格、地图、行程卡片等，考虑全面且细节丰富，还能找特价机票。
阿里开源长文本深度思考模型！渐进式强化学习破解长文本训练难题，登HuggingFace热榜
阿里开源长文本深度思考模型QwenLong - L1，登上HuggingFace热门论文第二。它解决了长文本强化学习训练难题，通过渐进式上下文扩展训练，在多基准测试中表现出色，还探讨了SFT和RL作用。
狂揽33.8K星！这款Postman替代工具，绝了，离线+Git协作太香
Bruno是开源API探索测试IDE，有自研Bru语言、离线存储和Git协作能力，是Postman等强力竞争者。它功能丰富，有跨平台支持等，技术架构优势明显，还给出实战演示和同类工具对比。
华师大智金院孵化金融原生基模Mint-Agent：超越GPT-5.6与Claude Opus 4.8，商业订单已超亿元
华东师大智金院团队孵化的金融原生基模 Mint - Agent 发布，在 FinanceAgentBench v2 上表现超 GPT - 5.6 - Sol 与 Claude Opus 4.8，单题推理成本低，商业订单超亿元，进入规模化金融场景验证阶段。
腾讯Hy3正式版亮相，幻觉率更低，Agent能力更强
7月6日腾讯Hy3正式版上线并开源，总参数量295B。它幻觉率从12.5%降至5.4%，Agent能力大幅提升，在生产力场景表现出色，基准测试结果良好，价格有优势，腾讯内部9条线已接入。
Claude Opus 4.7 上手实测：花7倍价格买输出，值不值？
作者实测Claude Opus 4.7，其定价约为GPT - 4.5的6 - 7.5倍。它有全新架构、强化Agent能力等升级，在代码生成、推理分析等多场景表现出色，是否值高价取决于使用场景。
龙虾让位！硅谷顶流AI「爱马仕」一夜闯进微信，冲上全球第一
硅谷新宠Hermes Agent爆火，GitHub揽6.6万星，原生接入微信引开发者关注。其署名的首篇‘顶会级’论文提出Autoreason推理方法，指出传统‘自我优化’弊端，展示出小模型逆袭等优势。
刷榜风波惊动OpenAI后，这家中国团队拿回Agent硬核榜单第一
在OpenAI主导的MLE - Bench基准测试上，百度伐谋2.0击败对手登顶。此前有团队刷榜引发风波，官方新增清洁赛道。伐谋2.0在多方面优化，还在汽车、金融、科研等产业落地解决难题。
缩放定律Scaling正慢性死亡，算力收益递减，AI的下一个增长极是模型如何交互
前Google Brain科学家Sara Hooker论文指出，统治AI十年的缩放定律Scaling走向慢性死亡，算力收益递减，研究重点将转向推理时算力和模型如何交互，还分析了算力崇拜兴起、缩放法则裂痕及未来方向。
Claude 4.x 的提示工程实战指南
Anthropic在官方文档上线Claude 4.x提示工程指南，针对4.5系列模型优化。介绍基本原则、长期推理和状态跟踪方法、沟通风格，还给出特定场景指导及迁移考虑，助你发挥Claude 4.x实力。