「物理场景测试」共找到 3819 篇相关文章
刚刚，中国AI闯入全球编程前二！前面只剩Claude
Code Arena最新榜单出炉，Qwen3.7 - Max以1541分冲进全球第四，是前五中唯一非Claude模型。它在多项测试中表现出色，是为长时间自主执行任务设计的Agent基座模型，编程跃升或与环境扩展、长程自主执行训练方法升级有关。
刚刚！北大校友Lilian Weng最新博客来了：Why We Think
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。
Claude 通过率不到 4%，SaaS-Bench 撕碎了 Computer-Use 的「全自动办公」幻想
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。
阿里一口气发了N款新模型，让我们向源神致敬。
阿里云栖大会发布众多模型，有Qwen3 - Max、Wan2.5等。Qwen3 - Max对标顶尖模型；Wan2.5支持音画同出；Qwen3 - VL是强大视觉语言模型且已开源；Qwen3 - Omni是全模态模型。此外还有多个新模型，构建全场景生态。
哈工大、中科院等利用模型“潜意识”提高推理模型效率，0.6B撬动复杂推理
哈工大、中科院等提出TrajSelector框架，让推理模型‘倾听内心独白’。它利用模型隐藏状态，用0.6B轻量级验证器实现比7B裁判模型更精准选择，在数学竞赛基准测试中表现出色，还能离线筛选数据，但在开放域问答有难题。
阿联酋K2横空出世，数学、代码样样行，速度全球最快，GPT-4看了都得抖三抖
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。
一文读懂 NVIDIA B30 与 H20 的区别 ：参数、应用与国产替代全解析
本文解读英伟达B30与H20芯片差异，对比参数和应用场景。B30为中国市场定制，虽单卡性能逊于H20，但集群性价比高。还分析B30挑战及国产替代方案，指出其是美技术封锁2.0版本。
混元 Hy3 发布：99% 的任务，够用了
腾讯混元模型 Hy3 正式上线，免费使用两周。它是快慢思考融合的 MoE 模型，主打 Coding 和 Agent 场景，性价比高。作者用它做了多项测试，如制作 PPT、开发代码、舆情分析等，还与 GLM - 5.1 对决，表现不错。
最强协作模型？MiniMax M2.7 实测：AI开始更会合作了 | Claude Teams
MiniMax M2.7模型发布，强调模型自我进化、Agent Harness和Agent Teams。它能构建复杂Agent Harness，完成高难度生产力任务。其能力达国际一线水平，在多测试中成绩优异。还介绍了Harness、Agent Teams等概念及应用场景。
关于现代GPU体系结构内存一致性（Memory Consistency）模型的一些猜想（二）——同步性能
文章聚焦GPU应用层面，通过实验对比不同同步代码实现的性能。在H20 GPU上测试，发现scope越小同步性能越好，内存屏障开销随scope增大而增加，还介绍非PTX及官方推荐实现方式并给出性能对比。