「安全测试」共找到 2509 篇相关文章
狂肝一周，测评十余款 PPT AI 生成产品的真实反馈
评估 Agent 产品能力复杂，以 PPT 生成为例，有 Agent 和模板化两种流派。作者选前者投票测评、后者全方位测试。给出方案，还推荐不同需求适用产品，附总榜单和细致体验描述。
思维链可无限延伸了，MIT等打破大模型上下文天花板
MIT等机构提出新架构Thread Inference Model（TIM），配合专用推理引擎TIMRUN，把推理过程变为树状递归子任务结构并修剪子任务，让模型突破输出窗口限制实现长程推理，实验验证了其性能。
美国专家来中国转了一圈：AI比赛已经结束了
美国专家Rui Ma参观中国AI相关活动后称，中国AI企业实力强，能源问题已解决，大规模投资可持续能源，有安全低成本电力供应体系，而美国电网老化、审批慢、储备少，AI竞赛或已结束。
谷歌最新「0.27B」Gemma 3开源！身板小却猛如虎，开发者直呼救命稻草
大模型时代开发者算力焦虑严重，谷歌Gemma 3系列另辟蹊径。新成员Gemma 3 270M参数规模小但性能强，如在IFEval测试表现突出，有小体积强架构、省电等亮点，适用于多场景。
AI 时代操作系统的三重叙事：技术重构、国产化突围与生态共建
《AI 进化论：智算时代操作系统的破局之路》首期，周明辉、马涛围绕 AI 对操作系统的影响等核心命题展开对话。指出 AI 让操作系统面临挑战，技术演进分两条路径，还谈到安全、国产化、生态共建等问题。
华人团队终结Token危机：扩散模型数据潜力超自回归三倍
最新研究发现，token数量受限下，扩散语言模型数据潜力超自回归模型三倍多。一个1B参数的扩散模型用1B tokens训练，在基准测试取得不错准确率，且未现性能饱和。
Claude Opus 4.1被曝即将发布！Anthropic靠两大客户API收入超OpenAI
Claude Opus 4.1被曝正在内部测试，或重点提高推理和规划能力。Anthropic过去7个月ARR涨至50亿美元，API收入超OpenAI。但它收入依赖AI编程，面临GPT - 5、Grok等竞争。
半量工具，双倍效能：ARPO革新大模型强化学习
大语言模型在多轮工具调用场景有挑战，传统强化学习算法有探索效率低和资源消耗大问题。本文提出ARPO，通过量化token熵分布变化设计自适应探索机制，降低工具调用成本且提升多轮推理性能。
重塑浏览器！微软在Edge加入AI Agent，自动化搜索、预测、整合
今天凌晨微软官网宣布在浏览器Edge中加入Copilot模式，它像多层级混合智能体，能自动执行搜索、整合等操作，有标签筛选等创新功能，可提升效率，还保障隐私安全，已免费开放。
EvaLearn：AI下半场的全新评测范式！
OpenAI研究员指出传统基准测试难衡量AI实际效用。复旦大学与字节跳动等团队提出全新评测范式EvaLearn，以连续问题求解为核心，构建问题并设评分标准，对九个前沿大模型研究有诸多发现。