「产品评测」共找到 2216 篇相关文章
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。
a16z全球AI产品Top100：AI入口之争已经打响，OpenClaw开启通用Agent时代
a16z发布全球AI产品Top100第六版更新，AI成主流默认功能，Gemini追ChatGPT凶猛，通用Agent登场。还介绍了各领域竞争态势、市场地理分布、创意领域演变等情况。
1 亿美元 ARR、不设 AI 硬件产品经理，Plaud 如何拿下全球百万用户？
本文采访了Plaud中国区CEO莫子皓。他表示Plaud更像大模型公司，硬件是获取用户context的入口。还谈到职业经历、大模型在医疗应用原因，指出做硬件要补短板，产品迭代谨慎且快，目标是拓展智能边界。
马斯克点赞的APP来了！刚下场视频世界模型，就拿下评测第一
实时视频世界模型成热门，Loopit发布的实时互动世界模型Zing - 0.5在评测中获第一且已开源。该公司提出独特观点，认为实时视频非世界，互动应“模应一体”，还指出抵达端到端终局的新路径。
知识类型视角切入，全面评测图像编辑模型推理能力：所有模型在「程序性推理」方面表现不佳
东南大学等团队提出KRIS - Bench，从知识类型视角对图像编辑模型推理能力评测。它分三大知识范畴、细化多种任务，设四维度评估指标，测10款模型，发现模型程序性推理等能力不足。
5Y View｜如何打造真正有用的AI产品？生成式AI改变的创业规则
本文围绕如何打造真正有用的AI产品展开，以Granola为例，阐述生成式AI领域创业需新打法，如不浪费时间解决即将消失的问题、利用边际成本创造机会、重视上下文及聚焦特定场景等。
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
首个面向科学任务、真实交互、自动评估的多模态智能体评测环境，ScienceBoard来了
ScienceBoard是首个面向科学任务、真实交互、自动评估的多模态智能体评测环境。它集成多领域科研软件，构建科研任务集合，评估智能体在科学任务上的表现，发现现有模型在科研工作流中远未成熟。
首个国产OpenClaw硬件产品即将发布，插电脑上就能用，使用成本降低20倍。
OpenClaw带火了Agent，但行业后续要解决落地问题，如控成本、降门槛等。Violoop团队实力强、融资快，4月将预售。其产品云端与端侧结合，通过原生接入、端侧处理等解决落地难题，成本降20倍以上。