「测试平台」共找到 2967 篇相关文章
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。
The Batch: 944 | Llama 之后的时代
Meta发布首个AI模型Muse Spark，是多模态推理模型，在部分健康和多模态测试领先，编程与智能体任务有不足。Meta披露技术细节少，该模型基准测试有竞争力，但其从开放转向封闭引开发者担忧。
BeyondSWE：AI编程80分是真的强，还是考卷太简单？
前沿模型在SWE - bench Verified测试中得分超80%，但该测试像开卷填空。中国人民大学提出BeyondSWE重新设计评测，规模是前者18倍，模型得分全跌破45%。还提出SearchSWE框架，结果显示搜索与编码能力融合待提升。
姚顺雨署名：大模型「现学现卖」能力首次被系统评估，腾讯、复旦联手发布CL-Bench
腾讯混元团队和复旦大学研究人员联手推出全新基准测试CL - Bench，系统性评估大模型上下文学习能力。测试显示十大前沿模型表现不佳，揭示当前大模型在该能力上的普遍短板，并指出未来四个探索方向。
AI云的大考来了：企业要的不再是参数，而是盈利 | 甲子光年
历经3年大模型热潮，AI云市场提问改变，企业更关注平台模型实用性和故障恢复能力。百度云智大会聚焦新一代智能基础设施与平台升级，其智能云连续六年排名第一，此次升级回应企业落地AI的核心问题。
喂给AI的Skill正让它变笨！清华团队发现大模型经验复用的黄金法则
清华大学与EvoMap团队研究发现，给大模型提供详尽纠错Skill会使基准测试通过率下跌，而精简控制指令可提升性能。他们提出将程序化Skill转化为策略基因，经实验证实其更适合驱动智能体测试时演化。
马斯克吹牛了吗？Grok 4第一波实测出炉：既能完虐o3，也菜到数不清6根手指
马斯克称Grok在各学科达博士后水平，激起网友兴趣。博主测试显示Grok 4在多项测试中完胜o3，网友还用它写游戏、让概念可视化。不过Grok 4也有翻车表现，马斯克称其仍有改进空间。
Hermes Agent 技术深度拆解：36000 Star 背后的架构设计，以及你该怎么用它
Hermes Agent 9 个月获 36800 Star，解决记忆断裂、能力天花板和平台绑定问题。它有四层记忆架构、自主技能进化，支持 200+ 模型，还有 40+ 内置工具、15 个平台适配器。最新 v0.8.0 版本有多项更新，文章还给出使用建议和对比。
登顶TPC-C！数据库分布式扩展技术揭秘
阿里云PolarDB云原生数据库以超原记录2.5倍性能登顶TPC - C基准测试排行榜。本文揭秘PolarDB MySQL版多主集群（Limitless）架构与核心技术，还介绍高可用机制、性能测试结果，最后提及轻量版和列存索引应用。
对话百度文库：不做大模型能直接做的事，能力积累换来竞争壁垒｜AI产品Time
百度文库从文档检索平台转型为一站式AI内容获取和创作平台，付费用户超4000万，AI MAU近亿，智能PPT访问量全球第一。访谈中，负责人分享产品理念、优势及运营经验，如不走大模型能直接做的事，从用户需求出发开发功能等。