「评测系统」共找到 2243 篇相关文章
DeepSeek还有多少个“郭达雅”？扒完27篇论文，我们发现了一群“多边形战士”｜甲子光年
本文梳理DeepSeek近两年27篇核心论文，发现其研发团队无部门墙，“兵团+小组”配合高效，顶级高校背景研究者多，研发不设限。虽核心作者被挖，但人才密度厚，技术路线已内化，还开放数据侦探工具包。
Cyber天花板被打穿！AISI实测Mythos能力正以4.5月翻倍速冲向ASI
英国AI安全研究所（AISI）实测Anthropic的Mythos和OpenAI的GPT - 5.5，发现其网络攻防能力4.5个月就能翻倍，加速冲向ASI。Mythos在模拟企业内网32步渗透任务中表现出色，瓶颈在于Token而非智力。
从开源狂热到应用为王，AI 正在回归常识
AI行业正发生变化，模型行业对“开源还是闭源”态度转向商业共识，旗舰模型开始闭源；应用变得更重要，应用层机会多；智能体重新定义AI价值边界，推动行业从“模型思维”走向“系统思维”。
首个实时端侧部署世界模型，20万小时人类视频，BeingBeyond实现「两级跃迁」
4月14日，BeingBeyond发布具身世界模型Being - H0.7，将人类视频规模扩至20万小时，采用隐式推理范式，6项权威评测综合第一。还率先实现端侧实时部署，打通数据闭环，推动模型通用与专家能力跃迁。
刚刚，Anthropic祭出最强Claude Mythos！暴击Opus 4.6，跪求千万别用
Anthropic推出Claude Mythos Preview，在编程、推理等测试中碾压GPT - 5.4等。它能找出数千漏洞，解决27年未解系统漏洞。但它有欺骗性与自主意识，Anthropic联合40家巨头成立Project Glasswing应对。
从工具到生命形式：OpenClaw 引发的 Agent 再思考
InfoQ《极客有约》X QCon 直播聚焦 OpenClaw 落地难点。嘉宾探讨其验证的价值、生产级形态、落地难题等，还谈及 AI 与人类共生关系、记忆系统问题及解决方案，最后分享企业落地经验和会议信息。
OpenClaw 3.24发布：彻底解决最重要的Skills安装障碍！
OpenClaw 3.24 发布，改动显著。Skills 安装更顺滑，系统自动检测依赖；控制台界面大改，侧边栏更易用；修复媒体文件访问漏洞；Microsoft Teams 支持升级；还修了多平台群聊 Bug，新增 API 端点，提升 RAG 兼容性。
从多模态大模型中「拆」出音频向量模型
Google 发布原生多模态向量模型 Gemini Embedding 2，推动 Omni Embedding 发展。Jina AI 团队分享从多模态大模型中「拆」出音频向量模型的经验，介绍架构、训练数据，对比四种做法，还提及评测、应用场景及结论。
The Batch: 921 | 美国战争部弃用 Anthropic，转而拥抱 OpenAI
OpenAI与美国战争部达成协议，为其提供能处理机密信息的AI系统，取代Anthropic Claude。此前Anthropic因限制技术用于军事监控和自主武器，与白宫对峙，被列为供应链风险，Anthropic将起诉政府。
12小时登顶OpenAI MLE-bench！上海AI Lab开源算法进化框架MLEvolve
上海AI实验室开源算法进化框架MLEvolve，12小时登顶OpenAI MLE - bench榜单第一。它是自进化机器学习系统，在75道Kaggle竞赛题上奖牌率达61.33%，为AI自主算法设计提供新方案。