「好表现定义」共找到 3274 篇相关文章
爆火的腾讯WorkBuddy发了篇论文，公开了自家底牌
腾讯 WorkBuddy 团队将内部模型选型评测等开源成 Benchmark，公开多模型 Agent 工作台选型底牌。Bench 优点是任务分布真实且开源可审计，论文介绍了核心方法论、四大赛道拆解、榜单结果，还对比了现有工作。
Agnes AI 实测：AI 编程真正的瓶颈，99%的人想错了
本文实测Agnes AI，指出AI编程瓶颈在于缓存命中率，而非模型智商。介绍其产品线、评测成绩与价格优势，还分享客户端体验，包括亮点、回滚事故及日志结论，最后点明智能免费后验证更稀缺。
AI 能力越来越强，那么它生成的代码，人类还需要去理解吗？
《代码整洁之道》作者罗伯特·C·马丁不逐行看 Agent 代码，设好测试框架通过就行。Notion 工程师 Geoffrey Litt 在会议探讨人类是否需理解代码，多数人认为需要，Litt 分享理解代码方法。
Momenta港股上市：一个智驾供应商为何要讲物理AI？｜甲子光年
今日Momenta在港交所上市，此前赴美上市搁浅。虽盈利状况优于同行，但研发投入大，累计亏损高。上市前夕其从‘自动驾驶公司’变为‘物理AI公司’，欲用物理AI模型打通多市场，这也是行业趋势。
ICML 2026获奖论文揭晓：黄高团队获杰出论文，A3C算法获时间检验奖
ICML 2026公布最佳论文奖项，共10篇获奖，涵盖杰出论文奖、杰出立场论文奖等。此次评选严格，经多轮筛选。获奖论文涉及扩散式大语言模型、扩散模型采样算法等多个领域。
GPT-5.6 Sol首批内测结果来了！同任务成本只有Fable 5一半
GPT-5.6 Sol预览版发布半月，首批内测报告出炉。它代码简洁，适合长链路任务，视觉效果好。虽整体略逊Fable 5，但成本近乎减半，且安全限制小，即将全量上线。
Fable 5解禁即翻车！写一行代码就降智，开发者破防
消失19天的Fable 5解禁即翻车，因过度审查和双标机制，让开发者破防。但抛开护栏，它执行复杂任务能力强。A社同期发布的Sonnet 5也遭群嘲，此外，A社还提出评估框架并向政府让步。
Fable第一，谁第二？Anthropic钦点8款模型名单曝光
Anthropic官宣Claude Fable 5全球上线，公布安全测试结果，8款模型包括中国的Kimi K2.7。北美公司也用行动认可中国模型，Kimi在多方面表现出色，其商业模式类似Anthropic，未来潜力大。
做 AI 产品，最重要的是尊重常识
2026年3月滴滴上线AI出行助手「小滴」，6月支付宝测试AI版「阿宝」，看似先进，但实际存在问题。滴滴将基础目标包装成AI个性化，支付宝承诺办事却像找路，还不敢让AI碰钱。很多AI产品迷信聊天框，未带来体验升级。
大模型最后一层竟是推理累赘？绕开对齐税，奥数准确率暴涨 22.4%！
Qwen团队等最新研究打破传统认知，揭示‘对齐税’现象。提出置信解码策略，在多架构、评测集上表现出色，能绕过‘对齐税’，提升推理准确率，且工程开销低，为大模型发展提供新思路。