「基准测试平台」共找到 3291 篇相关文章
Google 发布 Gemini 3.8 Flash：6 周内第 3 次升级
Google DeepMind 官宣发布 Gemini 3.8 Flash 和 3.8 Flash Cyber 两个新模型。3.8 Flash 在软件工程等方面有显著提升，跑分成绩亮眼，价格实惠，性价比高；3.8 Flash Cyber 面向网络安全场景。目前 3.8 Flash 已在多平台上线。
手机“自动驾驶”时代来了，智谱还让手机拥有“云替身”
作者参加智谱AutoGLM新版本闭门会并试用，该版本亮点多，如成全球首个手机通用Agent，操作在云设备运行，全平台覆盖等。云手机Agent能力稳定高效，能处理多类任务，还可助老人等群体用手机。
让AI像人类一样认知真实世界！UCLA谷歌强强联手，长时记忆+3D空间理解超越基线16.5%
如何让AI在3D环境中像人类一样思考，是具身智能领域难题。UCLA与谷歌团队带来3DLLM - MEM模型与3DMEM - BENCH基准，让AI有构建、维护和利用长时记忆能力，实验超基线16.5%，但有依赖模拟器预设的局限。
Anthropic封号OpenClaw之父！复刻、改价、拉黑，24天三连杀
OpenClaw创始人Peter Steinberger的Claude账号被Anthropic封号，后恢复但无官方解释。此前Anthropic改价限制OpenClaw使用，且Claude Cowork半年来对标OpenClaw核心功能。这撕开了AI平台与开源agent生态裂痕，也凸显包月模式被Agent算力需求击穿的问题。
Claude Sonnet 5 上线一日差评刷屏：打不过千问和 Minimax，性价比全面翻车
Claude Sonnet 5发布一天差评多。虽官方定位高，有能力亮点，但在中文测评中性价比低，测试成本高，且Max推理模式易过度思考。还因过度保守失去实用价值，其表现取决于使用场景和预算。
中国AI登顶全球之巅，顶流女团MV燃爆开场！AI音乐奇点已至
昆仑天工发布Mureka V8音乐大模型，基于MusiCoT技术，在音乐性、人声表现力和编曲层次等方面显著提升，使AI音乐达「可发布」级别，评测超Suno V5，还与太合音乐合作，欲打造全球AI音乐第一平台。
Vercel CEO爆Kimi K2智能体准确率超GPT-5 50%？国产的风还是吹到了硅谷
Vercel CEO称内部测试中，国产Kimi K2模型运行速度和准确率均优于GPT - 5和Claude Sonnet 4.5。硅谷多家公司已接入或转用K2，K2 Agent能力也经受住检验，还给出使用和价格相关信息。
管你模型多大，250份有毒文档统统放倒，Anthropic：LLM比想象中脆弱
Anthropic等联合研究打破传统观念，只需250份恶意文档就能在参数规模从6亿到130亿的LLM中植入后门，且与模型规模及训练数据量无关。研究还测试了特定后门攻击，评估了多种训练配置。
OpenAI「GPT门」事件引爆！Plus、Pro账户统统降配，偷换模型全网实锤
OpenAI被曝在用户不知情下，将GPT-4、GPT-5等模型路由至低算力敏感模型，引发用户对选择权和付费权益质疑。该现象已在社交媒体广泛验证，OpenAI回应称是在测试新安全路由系统。
1.6万人「卷」出科学未来！盛夏AI4S上海巅峰赛，谁人终得桂冠？
7月25 - 26日，第三届世界科学智能大赛总决赛及颁奖典礼在上海举行。大赛面向全球选拔，设五大赛道，吸引近1.6万人参赛。大赛秉持开源开放，成果将在星河启智平台共享，还开辟中学组，展现青少年潜力。