「学术基准测试」共找到 2194 篇相关文章
全球首个龙虾模型 GLM-5-Turbo 发布：已经在用它帮我省几千块钱了
作者作为公众号编辑，排版耗时久费钱。他测试多款模型驱动龙虾排版均失败，换上智谱 GLM - 5 - Turbo 后成功，还能让其操作飞书润稿。该模型工具调用稳定，虽 API 涨价但性价比高，未来潜力大。
豆包大模型 Seed 2.0，有点不一样
大模型升级频繁令人审美疲劳，但豆包大模型Seed 2.0不同，其核心是Skills调用能力。作者测试了它做的小红书长图文排版生成器和古文翻译器，还体验了APP“专家模式”，展现多模态理解优势。
整整21个月，豆包大模型正式进入2.0时代！
时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。
GLM-5深夜登场，这是国产开源模型首次逼平Claude Opus 4.5。
GLM - 5深夜发布且开源，参数量从355B扩展到744B，跑分仅次于顶级模型，开源排第1。能力逼近Claude Opus 4.5，BrowseComp基准得分超普通GPT - 5.2。价格便宜，是国内可用且性价比高的大模型。
8B 端侧写作智能体 AgentCPM-Report 开源，DeepResearch 终于本地化
1月20日，8B端侧写作智能体AgentCPM - Report开源。它以端侧模型为核心，实现本地化部署与SOTA性能双重突破，亮点在于极致效能、本地安全保障，在多评测基准表现出色，部署便捷，两大创新支撑其优秀性能。
拿着做数学题的 PRM 来评判 Agent 调用工具，基本是行不通的！
目前评估体系多为结果导向，在工具调用上缺乏像样的PRM基准。Arizona State University和Intuit AI Research研究者推出ToolPRMBench，指出用做数学题的PRM评判Agent调用工具行不通，还介绍了其构建方法、训练范式和实验结果。
MiniMax Agent 开年更新，好的 AI 产品，需要让工具来适应人了
2026年初，Claude Cowork引发关注，开源社区跟进，Anthropic下调功能价格。MiniMax升级Agent，推出桌面端和网页端新功能。通过整理文件、翻译、小红书内容流水线等测试，展现其能力与局限，指出Agent应适应人的趋势。
VLNVerse“宇宙降临”：吴琦团队交出2025具身导航最终答卷
自2018年吴琦团队发表首篇VLN论文后，领域碎片化问题凸显。2025年末其推出全栈平台VLNVerse，涵盖场景生成、物理模拟、任务基准和通用模型，欲打通Real2Sim2Real，推动VLN向Embodied VLN跨越。
破除AI Agent自主操控风险：万字解读LangGraph“人工干预”机制 ，附零基础实战
随着LLM驱动的Agent从学术走向应用，确保其行为的可靠性、安全性与可控性成关键挑战。文章以LangGraph为例，介绍其人工干预机制的核心原理、四大经典模式及案例实践，助开发者构建可靠、安全的智能代理。
CMAME | 西安交通大学海春龙、梅立泉等：基于分层神经网络的在线多保真度数据融合
在工业应用中，高保真数据获取成本高，低保真数据准确性不足。本文提出基于分层神经网络的在线多保真度数据融合方法（OMA - HNN），含MA - HNN和在线渐进采样框架，经测试验证了其有效性和实用性。