「基准测试成本」共找到 3406 篇相关文章
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
10w人看过的龙虾量化系统，评论区骂最多的问题，我花2天补上了。
上一篇龙虾量化系统文章获10w+，评论指出数据是短板。作者经研究找到QVeris，它是统一数据接口平台，使用简单。作者以金融领域为例介绍其用法，还测试其在其他领域的能力，认为它是AI时代的数据基础设施。
藏师傅 Kimi K2 Thinking 首测！教你用 Kimi 编程全家桶
本文首发测评藏师傅 Kimi K2 Thinking，介绍 Kimi 编程全家桶。K2 Thinking 有 Agent 化等多方面升级，还推出 Kimi CLI 工具与 KFC 套餐。作者展示全家桶使用方法并多维度测试，肯定其表现，赞 Kimi 战略清醒务实有远见。
500万视频数据集+全新评测框架！北大开源主体一致性视频生成领域新基建OpenS2V-Nexus，生成视频 「像」 又 「自然」
北大团队推出开源套件OpenS2V - Nexus，含全球首个S2V细粒度评测基准OpenS2V - Eval和500万条高质量人物文本视频三元组数据集OpenS2V - 5M，还评测18个S2V模型，揭示主流模型能力差距。
Qwen3.8-27B 登顶全球开源榜第一，曾经的「源神」又回来了！
8月17日，阿里发布的Qwen3.8 - 27B成Hugging Face热门第一。它以27B参数在部分测试中与前沿闭源模型比肩，可本地运行。不过推理慢、真实任务表现待提升，它让前沿Agent能力下放到个人电脑。
Claude Opus 5 发布：Fable 5 一半的价格，更强的编码能力
Anthropic 发布 Claude Opus 5，定价与 Opus 4.8 相同，价格是 Fable 5 的一半。它在编码、知识工作和推理上表现出色，虽有不足，如速度慢、幻觉率较高，但提供多种 effort 等级，成本低，安全对齐性好。
大规模替换数据库序列，保障百余个服务平稳运行
Coupang从关系型数据库迁移到NoSQL时，为解决序列替换问题，自研了专用解决方案。该方案采用双层缓存与滑动窗口预填充机制，以DynamoDB为数据源，让百余个服务无需重写代码完成迁移，性能和成本表现佳。
Clawdbot 之后，我们离能规模化落地的 Agent 还差什么？
OpenClaw爆火，但在企业和商业环境中存在昂贵、不可控等问题。Monolith砺思资本技术沙龙探讨Agent规模化落地难题，指出需关注稳定性等指标，还分析了数据成本、训练速度、基础设施、状态管理等方面的困境与解决思路。
IEEE TAP|上海交通大学曹慧琳、南京大学任宇翔等：AI赋能电磁仿真：物理–数据混合驱动的PdEgatSCL模型实现高效建模
为实现电大尺寸目标快速精确建模，本文提出物理 - 数据混合驱动的PdEgatSCL方法，学习CFIE做端到端预测。用EGAT架构，编码格林函数等特征。测试显示它精度高、速度快、省内存，可加速电磁建模与逆向设计。
把20多种工具塞进一个搜索框！亲测「Agentic Search」后，我关掉了几十个浏览器标签页
秘塔AI推出Agentic Search，是“边想边搜，边搜边做”新搜索方式，能自主完成多步工具调用。作者测试其为AI笔记应用策划预热活动等场景，还测市场分析、编程学习、新媒体运营场景，虽有不足但未来可期。