「功能测试」共找到 3122 篇相关文章
BIGAI & 中科大团队提出 MILR: 测试时隐空间推理，让图像生成学会「边想边改」丨ICLR 2026
BIGAI与中科大等团队提出MILR，通过测试时隐空间推理，在不更新模型参数下优化图文表示，提升复杂图像生成能力。该方法在多基准测试达SOTA，还探讨了测试时扩展与奖励模型，未来有诸多拓展方向。
Kubernetes v1.36 发布：安全默认配置强化，AI 工作负载支持日趋成熟
Kubernetes发布1.36版本，代号Haru，含70项增强功能。聚焦安全加固、AI和机器学习负载及API扩展性。安全功能多达GA，AI负载适配需求，还引入新功能，同时移除部分旧功能，Ingress NGINX正式退役。
Anthropic重磅更新skill-creator：创建skill全面告别“草台班子”时代
Anthropic升级skill - creator，让普通人创建skill更友好且有效。将测试等机制引入创作，能验证skill有效性。还支持多智能体并行测试、A/B测试，优化触发描述，为未来自然语言定义skill过渡。
Cloudflare 如何解决了 quiche 中的一个拥塞漏洞
Cloudflare 分享发现 CUBIC 的 Rust 实现问题，该问题影响开源库 quiche。团队构建模拟环境测试，发现 CUBIC 陷入恢复循环，用 Reno 测试排除广泛问题，最终一行代码修复，使测试通过率达 100%。
Grok 4刷新ARC-AGI-2纪录：15.9%碾压所有公开模型，我们离AGI还有多远？
xAI的Grok 4在ARC-AGI-2测试中获15.9%，成全球最强公开AI模型。ARC Prize主席还原测试过程，虽成绩亮眼，但网友有质疑，且离人类表现差距大。Grok 4在多基准测试领先，定价便宜。
Kubernetes v1.36 发布：安全默认配置强化，AI 工作负载支持日趋成熟
Kubernetes发布1.36版本，代号Haru，含70项增强功能。聚焦安全加固、AI和机器学习工作负载及API可扩展性。如用户命名空间等安全功能达GA，AI方面适配工作负载需求，还引入新功能，同时移除部分旧功能。
谷歌NotebookLM终于说中文了！这可是最火的大模型播客产品
NotebookLM正在变成谷歌AI路线里靠谱选手，现支持中文播报且将推移动App。它能将音频源转化为类似播客的对话，有摘要等功能，音频概览功能受欢迎，底层是谷歌Gemini 2.5 Flash，实用性强，即将上线安卓和iOS版App 。
马斯克Grok 4正式发布：世界最大AI超级计算机就训练了这？
Grok 4公开基准测试有进步，但在高级推理测试表现差，视觉理解仍是短板。性能提升多靠整合符号工具，无重大技术创新，‘幻觉’问题没实质进展，xAI官方对道德对齐信心不足。
OpenAI深夜开源HealthBench，60个国家合力开发5000段真实对话
今天凌晨1点30，OpenAI开源医疗大模型测试评估集HealthBench。其5000段核心测试对话由60个国家/地区的262名医生打造，采用多轮对话测试。测试显示大模型在医疗保健领域表现显著提升，还介绍了其构建及评估等情况。
安全垂类小模型效果能超过大模型？看看以色列Novee的效果
跟踪AI渗透测试等开源应用发现，通用大模型成本高、功能受限。以色列Novee融资5150万美元并发布4B小模型，测试效果超Claude 4 Sonnet。其靠两阶段训练和浏览器反馈提升能力，有投资说明有价值。