「性能测试」共找到 3392 篇相关文章
顶尖AI竟输给三岁宝宝，BabyVision测试暴露多模态模型硬伤
UniPat AI 等发布多模态理解评测集 BabyVision，测试显示多模态大模型纯视觉能力仅达三岁幼儿水平。其通过对比实验、细分任务评测，揭示模型系统性缺基础视觉能力，还给出新方向及发展建议。
让LLM互相“审稿”：简单的LLM Collaboration/Ensemble方法实现7%性能提升
文章提出LLM-PeerReview方法，受学术同行评审启发，含评分、推理、选择模块。采用‘翻转三元评分技术’减少偏差，实验显示该方法超单一LLM及LLM Ensemble基线，性能提升显著。
AI 集成的智能 Profiling 实践：从性能分析到优化闭环
本文由韩钦亭撰写，分享了在已有 Profiling 平台引入 AI 智能辅助模块的实践。介绍了设计思路、工程实现、应用成效，对比不同大语言模型，通过实际案例展示优化效果，还探讨了 AI 在性能优化场景的未来潜力。
Devin CEO：别搞多智能体！Anthropic：我们性能提升90%！
最近，开发Devin的Cognition CEO发文称不要构建多智能体系统，而Anthropic分享构建多智能体研究系统，性能提升90%。Cognition认为多智能体协同难，坚持单线程线性Agent；Anthropic用工程设计绕开瓶颈。二者因任务类型不同观点有别。
学会“吃一堑长一智"，性能飙升11%！XSKILL让AI积累经验和技能
XSKILL框架让AI像人一样积累经验和技能，将任务级技能与动作级经验统一到双流设计中，通过视觉接地提取和检索知识，在多个基准测试中显著提升性能，还展现出跨模型迁移性。
跳过88%专家，保住97%性能！MoE推理的正确玩法| CVPR’26
多模态大模型走向大规模，MoE架构虽降低计算开销，但推理成本仍高。香港科技大学等团队提出MoDES，它是training - free动态专家跳过框架，能跳过88%专家还保留97%性能，推理速度提升2倍。
Ollama升级模型调度系统：内存管理更精准，多GPU性能提升
Ollama升级模型调度系统，精确测量运行模型所需内存，带来内存崩溃减少、GPU利用率提高等改进。Gemma3、Mistral - small3.2等模型性能提升，更多模型正迁移，还在开发iGPU支持，评估NPU支持。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
AgentCPM-Explore开源，4B 参数突破端侧智能体模型性能壁垒
清华大学、中国人民大学等联合研发的 AgentCPM-Explore 开源，基于 4B 参数在深度探索任务上表现出色，打破参数壁垒，开源全流程基建，还探索出提升小模型性能的方法。
Claude Mythos官宣！性能碾压Opus 4.6，因太危险遭「囚禁」
Anthropic官宣最强模型Claude Mythos预览版，性能全方位碾压Opus 4.6。但它存在致命缺陷，攻击安全漏洞能力超多数黑客。Anthropic暂不向公众开放，联合巨头开展安全计划，称需各方共筑网络安全。