「基准测试」共找到 2060 篇相关文章
终于在国产AI上看到了Opus的影子｜GLM-5深度实测
作者起初怀疑GLM - 5称对标Claude Opus 4.6、定位“系统架构师”的说法，但实测后改观。通过宝可梦策略助手、降噪网站沉浸式交互、求职招聘双边匹配三个测试，展现其系统规划、执行、纠错等能力，像真正架构师。
昆仑万维开源的SkyReels-V3，把马斯克请来带货了
1月29日，Skywork AI团队宣布开源SkyReels - V3多模态视频生成模型系列，涵盖三大核心能力，达业界领先。经测试表现出色，其技术有创新，且模块化设计适配性强。昆仑万维此前在视频生成领域迭代快，此次开源或加剧竞争。
斯坦福&英伟达提出新范式：推翻Scale Law，在“推理”阶段自我进化，超越人类专家
斯坦福和英伟达提出 TTT - Discover 新范式，允许模型在测试时继续训练，针对难题‘进化’。它设计了自适应熵目标函数和 PUCT 状态复用组件，实验在多领域碾压人类专家与同行，但在部分领域落地有局限且计算成本高。
社区供稿丨Jina-VLM：可在笔记本上跑的多语言视觉小模型
Jina AI发布2.4B参数量的视觉语言模型Jina - VLM，在多语言视觉问答任务达SOTA。它引入注意力池化，连接视觉与语言基座，处理问答等任务，对硬件要求低，多项测试表现优，还介绍架构、训练策略和上手方式。
刚刚，豆包编程模型来了，我们用四个关卡考了考它！
2025年AI编程助手分化为IDE增强和Agentic两条路线。当前Claude Pro有使用限制，火山引擎推出豆包编程模型Doubao-Seed-Code。它在多项评测表现优异，具备长上下文等能力，经四关测试实力强，价格也实惠，或成完美平替。
腾讯AI Lab首创RL框架Parallel-R1，教大模型学会「并行思维」
腾讯AI Lab等机构研究者首创Parallel - R1框架，通过强化学习让大模型掌握并行思维。它解决了RL训练的冷启动和奖励设计难题，在多数学基准上提升准确率，还揭示模型思维策略变化及并行思维的‘脚手架’作用。
AI 画图不是玩具，而是可以变成效率工具 ｜ 豆包 P 图Seedream 4.0 效率场景挖掘
作者测试豆包P图Seedream 4.0，发现它有对指令深度意图理解等能力且中文支持好。还分享用其提升效率的场景，如制作封面图、翻译图片文字等，也给出发掘AI应用场景思路和写画图提示词方法。
全能高手&科学明星，上海AI实验室开源发布『书生』科学多模态大模型Intern-S1 | WAIC 2025
7月26日，上海AI实验室在WAIC 2025上发布并开源『书生』科学多模态大模型Intern-S1。它首创‘跨模态科学解析引擎’，在多学科专业任务基准上超越顶尖闭源模型，还具备体系化技术创新。未来将持续开源，打造更懂科学的AI助手。
大模型竞赛转向：决胜关键为何是“后训练”？
大模型价值主战场正向后训练转移。xAI发布的Grok 4通过后训练取得强大性能，在多项测试中领先。后训练可解决通用模型产业落地难题，不同公司探索新方法，且后训练有五大关键要素，阿里云提供一体化支撑。
性能大涨！阿里开源新版Qwen3模型，霸榜文本表征
今日凌晨阿里开源Qwen3-Embedding和Qwen3-Reranker两款新模型，专为文本表征等任务设计，支持119种语言。测试显示其性能出色，在多语言文本表征和排序任务中超越众多模型，还采用了多种创新设计与训练方法。