「基准测试成本」共找到 3387 篇相关文章
实锤！GPT-5.5「降智」被抓，OpenAI官方文档认了
近期，网友发现GPT - 5.5使用一两个小时后突然变傻、质量下降，开发者经测试实锤系统会静默切换模型。Plus和Pro用户均受影响，此前GPT各版本升级也常引发“降智争议”。
推进科研和工程，编程跻身顶级人类竞赛榜：谷歌Gemini 3 Deep Think重大升级
谷歌发布Gemini 3 Deep Think重大更新，剑指科研和工程。它在编程算法竞赛等多项测试中成绩亮眼，能模拟人类科学家深度思考，处理复杂问题，还可重塑工程设计流程，已向部分用户和企业开放。
一篇最新自演化AI Agents全新范式系统性综述
传统LLM Agent工作流固化，面对动态环境只能人工硬编码，成本高、迭代慢。此55页综述提出“Self - Evolving AI Agents”新范式，让Agent自主优化自身结构，还给出三定律、统一框架及各类优化方法。
“别再碰我代码！”明星AI工具成瘟神，用户怒斥：一周七千块，修不好bug还删我关键文件！
AI编程服务提供商Replit推出新一代AI编程助手Agent 3，CEO称其为软件“自动驾驶时刻”。但用户反馈它修不好bug还删关键文件，成本也高，Replit回应强调“模型栖息地”和“事务性”机制重要性。
突发！Jason wei也被小扎挖走了
Jason wei是OpenAI研究科学家，是思维链、强化学习研究重要推动者，2023年2月加入OpenAI，此前在谷歌大脑工作。他和HYUNG Won Chung一同被小扎挖走，二人是o系列模型及测试时间计算重要推动者。
PDF难点解析：处理复杂表格、水印、印章、复选框、信息抽取等7项任务，6大能力
文章介绍Nanonets - OCR - s可处理关键信息提取、视觉问答等7项任务，具备LaTeX方程识别、图像描述等6项能力，还给出体验链接。但测试发现英文体验优于中文，模型有重复输出、幻觉严重问题。
DeepSeek睁开眼了！Opus-4.8的性能，1000张图不到20美分
DeepSeek首个多模态视觉模型deepseek-v4-flash-vision-exp上线DeepSeek API平台。文本能力与V4-Flash持平，多模态Agent能力逼近Opus-4.8，分析1000张图成本不到20美分，还上线免费Files API。
退钱！Claude 4.8连夜大降智，GPT-5.6算力遭「腰斩」
最近AI社区遭遇集体降智潮，OpenAI疑似暗中开启GPT - 5.6灰度测试，克扣用户思考预算；Anthropic的Claude Opus 4.8被曝断崖式降智，性能不如旧版。或因SpaceX上市抽干流动性，巨头降本增效。
爆火！几天狂揽5万星，这个神器让AI一次砍掉54%屎山代码
最近开源项目Ponytail爆火，几天揽5万星。它将老程序员‘偷懒智慧’系统化喂给AI，让AI编码代理思考，使代码量直降54%，最高砍到94%，成本和时间同步下降，还保持100%安全。
哈佛《Science》研究：大模型已碾压人类医生！
哈佛医学院等团队让OpenAI o1系列大模型与数百位医生在多项测试中较量，大模型在各项诊断和管理推理任务上全面超越人类专家，不过当下模型处理非文本信号有局限。