「基准测试集」共找到 2465 篇相关文章
Claude Opus 4.7发布！这是你在别的公众号看不到的五个发现
Anthropic发布Claude Opus 4.7，编码和视觉能力提升，但长上下文能力下降。其231页的System Card藏着不少有趣发现，如Opus 4.7非最强模型、Claude知道被测试、模型审查自身评估等。
给 iPhone 装个“最强本地大脑”：Google 开源模型 Gemma 4
Google 4 月初发布开源模型 Gemma 4，可离线运行在 Google AI Edge Gallery 上。它在多项基准表现出色，采用 Apache 2.0 协议，开发者可集成到 App。还介绍了在 iPhone 离线使用方法及适用场景。
想进OpenAI？先解出这道题，百万美元算力已就位
OpenAI发起Model Craft Challenge「Parameter Golf」项目，要求在固定数据集上降验证损失，模型产物控制在16MB内，8张H100 GPU 10分钟完成训练。提供百万美元算力，6月招早期人才，挑战3月18日至4月30日。
痛点突破：YOLOv26引入AAttn区域注意力机制，精度提升1.3个百分点
文章介绍YOLOv26引入AAttn区域注意力机制，解决传统机制在复杂场景下的不足。它通过划分特征图区域学习权重，提升检测精度，且实现简单。经实验验证，精度提升显著，还给出实现细节与优化建议。
Claude 开始收“代码审核税”：一条 PR 25 美元，大厂一年或花百万，还得上交整个代码库
3月9日，Anthropic推出代码审查产品Code Review，运行在GitHub和CI流程，按token计费，每次15 - 25美元，速度约20分钟/次，用整个代码库分析。虽能发现问题，但价格贵、速度慢，还遭“既当运动员又当裁判”质疑。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
破解机器人「慢半拍」难题：南洋理工解决VLA致命短板，动态世界断层领先
南洋理工大学NTU S-Lab团队提出DynamicVLA，解决主流VLA模型在动态场景下反应迟缓等问题。它从多层面设计，构建自动化数据体系和DOM Benchmark，在实验中多维度领先。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。
ChatGPT开始预测用户年龄，NSFW内容要来了！
OpenAI于1月20日更新推出年龄预测功能，通过分析用户多方面信息判断是否为18岁以下。网友测试发现猜测较准，这或使NSFW内容限制放宽，不同模型版本情况有别，更新还改进语音和记忆功能。