「独立测评」共找到 344 篇相关文章
字节押注AI Coding：百万月活的TRAE，如何改写开发者生态？｜甲子光年
字节跳动在火山引擎Force 2025原动力大会主推自研AI编程产品TRAE，其月活超百万，内部80%工程师在用。AI Coding能提升大模型能力，助字节逼近AGI。TRAE更新功能，未来或成独立开发超级个体。
GPT-5正以o3的三倍速度打宝可梦，现已抵达冠军之路，直播进行中
GPT - 5直播独立运行宝可梦红版，速度比o3快近三倍，6105步抵达冠军之路，而o3需16882步。原因是其幻觉少、空间推理和规划能力强。直播已进行9小时，超2000人关注，OpenAI总裁点赞。
配置驱动的动态Agent架构网络：实现高效编排、动态更新与智能治理
本文提出配置驱动的独立运行时 Agent 架构，解决低代码/平台化 Agent 方案企业级落地难题。介绍其核心架构、注册中心、配置定义等，还提及 Agent Studio、执行引擎等，阐述运行部署、协作、治理，提供通用可落地范式。
具身机器人征服1万伏高压线！-10℃严寒、13米高空全天候作业零事故
亿嘉和新一代配网带电具身智能机器人能在1万伏高压线上独立完成复杂精细操作，已在多省份部署，完成万余次任务。它“有脑子”，效率接近人工90%且零事故，未来还将迭代升级。
历史性一刻！人类士兵首次向机器人军队投降
7月9日，乌军第三独立突击旅称在哈尔科夫地区，让俄军士兵在仅遇无人机和陆基自杀式平台时投降，这是人类士兵首次向机器人部队投降。此事件展现战争新转折，也暴露出国际人道法律的滞后。
刚刚！Qwen3深夜升级，碾压Kimi K2和DeepSeek V3
通义千问更新旗舰版Qwen3模型，推出Qwen3 - 235B - A22B - Instruct - 2507 - FP8。新模型通用能力显著提升，在多测评中超Kimi - K2等模型，还增强多语言覆盖等性能，已在魔搭和Hugging Face开源。
高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二
因网友质疑上次测评不严谨，此次用六款大模型挑战含解答题的全套高考数学题。结果Gemini 2.5 Pro夺冠，Doubao和DeepSeek R1并列第二。解答题是失分重灾区，图像题难倒多模态大模型。
SOTA级的Embedding模型！F2LLM模型、数据、代码全部开源，人人可用
Embedding 模型应用广泛，但主流模型训练困难。蚂蚁集团与上海交大推出 F2LLM，含 0.6B、1.7B、4B 系列模型，仅用六百万数据微调基座，在 MTEB 榜单领先且完全开源。介绍了其数据、训练、测评等情况。
为什么GPT-5算得出微积分，却数不清积木？
文章对GPT - 5展开系统化空间能力测评，涵盖8个基准、超10亿token成本。提出“空间智能六维图谱”，发现GPT - 5在MM和SR达人类水平，但MR、PT等方面有短板，还揭示闭源与开源模型在复杂任务上差距小等情况。
Claude Sonnet 5 上线一日差评刷屏：打不过千问和 Minimax，性价比全面翻车
Claude Sonnet 5发布一天差评多。虽官方定位高，有能力亮点，但在中文测评中性价比低，测试成本高，且Max推理模式易过度思考。还因过度保守失去实用价值，其表现取决于使用场景和预算。