「测试任务」共找到 3352 篇相关文章
GPT-5 在 Lovable/Vibecode 中氛围编码，附 GLM-4.5 对比 （反向搜索引擎、吵架的俄罗斯方块）
文章展示GPT - 5在网页端、Lovable、Vibecode的测试案例，与GLM - 4.5对比。如GPT - 5在WebDev Arena创纪录，不同版本使用限制不同。还列举多个应用案例，指出GPT - 5有不足，GLM4.5全栈开发表现不错。
多智能体在「燃烧」Token！Anthropic公开发现的一切
Anthropic发布多智能体研究系统构建解释，解决多智能体研究困惑。多智能体系统优势明显，在特定任务中表现出色，但token消耗大。其架构独特，还介绍了提示词工程、评估方法、面临的工程挑战等内容。
阿里千问落地谷歌UCP+A2UI，中国率先进入AI办事时代
谷歌联合零售巨头发布UCP和A2UI协议，试图定义智能体商务全球标准。而阿里千问App上线千问任务助理1.0，打通淘宝、支付宝等核心业务，接入多项生活与政务服务，快速落地应用，让中国进入AI办事时代。
阿里通义开源GUI智能体SOTA：2B到235B端云协同重新定义移动端GUI智能体
阿里通义实验室开源MAI - UI，通过端云协同架构等解决GUI智能体部署难题。它全谱系模型设计应对硬件约束，自进化数据管线和在线强化学习提升性能，端云协同平衡隐私与效率，扩展动作空间打破局限，在多基准测试创SOTA。
LSTM之父Jürgen再突破，「赫胥黎-哥德尔机」让AI学会自己进化
LSTM 之父 Jürgen Schmidhuber 对 2003 年提出的哥德尔模型进行新尝试，构建赫胥黎 - 哥德尔机（HGM）。它能在 SWE - Bench Lite 媲美最佳人类设计智能体，还在多基准测试中超越现有方法，展现强大迁移能力。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
提出“AI虚拟细胞”的团队，现在要虚拟整块组织了
2024年12月，瑞士洛桑联邦理工学院夏洛特·邦纳团队提出“AI虚拟细胞”。一年多后，AIVC方向有进展，但虚拟组织层面工作少。近日团队推出VirTues基础模型，解决空间蛋白质组学数据分散问题，在多任务表现好，还用于三阴性乳腺癌预测。
吴恩达最新来信：是时候关注并行智能体了
吴恩达在最新来信中指出，并行智能体正成为提升AI能力新方向，多个agent协作能高效处理不同任务。相比依靠数据和算力提升性能的方法，并行agent提升性能同时无需用户久等，且大模型token成本下降使其可行。
顶模 Fable 5.1发布，到底强了多少？
昨晚，Anthropic发布Fable 5.1和Mythos 5.1，这代沿用Fable 5参数，性能提升聚焦长任务，还降低缓存读取价。它在游戏、视频等多个领域表现出色，与同类模型对比进步明显，虽价格贵，但能力、速度有提升。
代码生成要变天了？被质疑架空后，Yann LeCun携320亿参数开源世界模型“杀回来了”
在新一代代码生成模型不断涌现的当下，Meta FAIR CodeGen团队由Yann LeCun领导发布了代码世界模型CWM。它有320亿参数，创新训练方式使它不仅会写代码，还能模拟执行，性能测试表现不俗，在圈内引发热议。