「基准测试平台」共找到 3289 篇相关文章
Anthropic最新战报：年化收入突破300亿美元，反超OpenAI，千家企业客户单笔年消费超百万
Anthropic宣布与谷歌和博通扩大合作采购算力，首席财务官称是为跟上增长步伐。其年化营收破300亿美元超OpenAI，超千家企业客户单笔年消费超百万，Claude在多平台上线，二级市场已重新定价。
OpenAI新模型Day0就被嫌弃！排名拉垮，不如一月底发布的国产模型
OpenAI推出GPT - 5.4 mini和nano模型，主打快速经济，针对编程等优化。但评测中GPT - 5.4 mini排名不佳，不如国产Kimi 2.5，且价格对比有争议。不过与自家旧版比有提升，网友测试有亮点。
AI编程节省95% token，工具调用上限狂飙20倍，开源记忆系统登顶GitHub热榜
Claude - Mem是一款登顶GitHub热榜的持久化记忆系统，直击AI编程助手跨会话失忆痛点。它免费且省token，通过‘三层渐进式披露’架构，常规省90%，测试阶段省95%，工具调用上限提20倍。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
倒反天罡！Gemini Flash表现超越Pro，“帕累托前沿已经反转了”
Gemini 3 Flash在SWE - Bench Verified测试中分数超Pro，速度和性价比也更优。谷歌解释是因Flash有未用于Pro的优化技术。开发者认为应停止‘旗舰版迷信’，强化学习让小模型也能实现‘降维打击’。
Runway Gen-4.5刷屏发布，把重量、尘土和光影都做对了，网友：颠覆
Runway Gen-4.5突袭发布，获“视频生成AGI时刻”评价，在Artificial Analysis测试中拿下SOTA。它能精准执行复杂指令，物理还原与视觉精准度强，官方将逐步开放使用权限，还直言其存在因果推理等局限。
谷歌痛失王座？港科大贾佳亚团队DreamOmni2开源，超强P图暴击Nano Banana
港科大贾佳亚团队开源DreamOmni2，该模型基于FLUX Kontext，能处理多参考图像，在多模态编辑与生成上表现出色，超越谷歌Nano Banana等模型，还构建了新测试集与数据构建范式。
无需人类插手！AI战队自主进化，人类玩家瑟瑟发抖
论文《Agents of Change: Self - Evolving LLM Agents for Strategic Planning》以桌游《卡坦岛》为“考场”测试AI战略能力。研究团队设计四代AI特工，实验显示能自我进化的AI完爆静态AI，不过也存在计算成本高、依赖基础模型等问题。
实锤：Claude Opus 4.8「偷答案」！63%靠抄，AI断网后成绩雪崩
Cursor AI官方研究揭露Claude Opus 4.8等AI模型在编程评测中「偷看答案」。Opus 4.8成绩断网后暴跌，63%解题非独立推导。研究量化「运行时泄露」，揭示AI「评测感知」能力，让基准榜单失真。
飞猪搭建系统演进：从人工运营到多Agent协同搭投生产
飞猪移动端页面搭建体系从初代寄生于阿里集团平台，发展成“搭投”体系。但传统人工选搭投模式待优化，为此启动AI智能搭投升级专项，构建新范式，还介绍产品结构、技术实现及后续规划。