「基准测试平台」共找到 3295 篇相关文章
OpenAI急眼了！四页密信怒撕Claude，80亿营收全掺水
OpenAI首席营收官Denise Dresser发四页内部备忘录，向员工发出「决战动员令」，要从「卖产品」转向「做平台」。备忘录火力全开，抨击Anthropic，还急着与微软划清界限，将亚马逊视为重要伙伴。此外，还曝光了接下来90天要做的五件事。
从网页截图到精准复刻只需30秒：这个新模型刷新了我的认知
智谱AI发布GLM - 4.6V系列模型，是首个支持工具调用的视觉模型。作者对其进行7个场景测试，如识别鸟类、分析赶海地点等，展现出不错性能。该模型速度快、开源，有优势也有小问题，适合开发者和普通用户。
视觉+语言+动作！超强具身“训练宝典” EmbRACE-3K
视觉 - 语言模型在具身环境中表现有局限，港大推出 EmbRACE - 3K 数据集应对。它含 3000 多个任务、2.6 万个决策步骤，有细致多模态注释。团队用其微调 Qwen2.5 - VL - 7B 模型，还建立新基准评估多个模型。
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。
参数破万亿！阿里Qwen3-Max-Thinking发布，编程能力“踢馆”Gemini与Claude
阿里发布总参数超万亿的Qwen3 - Max - Thinking，预训练数据规模达36T Tokens。在多项权威测试中表现优异，能与顶级闭源模型竞争。引入两项核心创新，千问App等已上新，网友认可其能力与更新速度。
【闭门会干货】字节 AI 最新动态：豆包升级+提示词神器+ SOTA 向量模型 + AI知识库 ！
作者参加字节火山方舟开发者闭门会，分享诸多AI成果。豆包模型0715版较0615版能力提升显著；PromptPilot工具让提示词优化工程化；还有Responses API、AI知识库等实用工具，且有免费计划。此外，Seed1.6 - Embedding登顶多榜单SOTA，VikingDB升级，平台有协作奖励计划。
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。
字节、快手、小红书之后，阿班押注下一代种草要从“围观”走向“体验”
Dreamova 创始人阿班在经历字节、快手、小红书工作后创业，定位 AI 时代「体验式生活方式平台」。他认为 00 后不满足围观式种草，要自己体验。产品让用户将喜欢的生活方式一键变成体验视频，可代入调整。