搜索：编程基准测试

「编程基准测试」共找到 2954 篇相关文章

OpenAI 广告续命遭全网骂，用户要跑路Gemini！需烧 400 亿，18个月破产预警

OpenAI计划在ChatGPT对话界面向美区免费版和低价订阅用户测试广告投放，旨在拓展营收缓解成本压力。此举动引发批评，用户转向Gemini。OpenAI虽营收增长，但算力投入大，首席财务官称加广告会坚守三大原则。不过，有预测称其18个月内或破产。

9月1日，Hugging Face上线星火X2.5-4B和1.7B开源端侧模型，在多指标测试中表现优异，实现“越级打怪”。该模型基于全国产算力平台训练，在断网笔记本上实测效果惊艳，使用了两项技术提升能力，适配性强。

本文作者分享编写系统级提示词经历，指出‘规则清单式’设计有规则打架、维护难、价值稀释问题。引入系统架构思维，构建四层设计框架，给出编译原则与模板，还重构‘AI编程助手’提示词，实现从‘规则管理者’到‘系统设计师’转变。

北大校友Lilian Weng更新博客《Why We Think》，回顾利用测试时计算的研究进展，探讨让模型“思考更久”的方法。文中介绍了思维链、潜变量建模等策略，还提及多种提升生成质量的策略，如并行采样与序列修订，以及强化学习提升推理能力等内容。

UniPat AI用SaaS - Bench测试，让Agent在真实工作环境中执行任务。结果显示，Claude Opus 4.7端到端完全通过分数仅3.8%，多数模型表现差，还暴露Agent四种致命缺陷，揭示其与真实工作能力有巨大鸿沟。

8月17日，智象未来发布交互式世界模型HiDream - O1 - World，定位为全球首款原生全模态交互式世界模型。它提供漫游和编辑两种交互方式，在WBench测试中成绩优异，但开放场景表现待验证。其采用独特生成方式，有广阔应用前景。

阿联酋穆罕默德·本·扎耶德人工智能大学与G42公司联合推出开源AI推理系统K2 Think，基于Qwen 2.5 - 32B模型。它靠六项技术性能出众，在多领域测试成绩好，还以小参数量媲美大模型，且全面开源。

今天，Claude Fable 5.1全平台上线，Mythos 5.1专供特定团队。新模型跑分有断层式代差，还降低了算力门槛。通过重绘金星、设计蛋白等案例展示其科研能力，在编程上也表现出色，同时在安全上采取‘一松一紧’策略。

前两天J-Space凭夸张测试结果刷屏，宣称一份Skill接入Agent环境，能让V4 Pro在多基准大幅提升，部分成绩超Fable 5。但社区复测结果相反，作者未公开完整评测记录，还删质疑帖，引发公开打假。

全球首个基于‘上下文信息密度最大化’的自进化智能体系统GA发布技术报告。它在多基准测试表现惊艳，能省近10倍Token，还能自我进化。报告深度解读设计理念，剖析自进化能力与智能体设计思路。