「基准测试平台」共找到 3297 篇相关文章
腾讯再次试水？社交电商可不单单是拼流量这么简单！
社交电商的竞争核心并非只是流量，而是商品和服务的质量。腾讯在社交电商领域的最新尝试是微信小商店，它通过各种模式探索，试图在社交电商领域占据一席之地。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
首创郎园发布五大举措，构建AIGC视听产业全域创新体系
4月17日，首创郎园总经理赵春燕在北影节发布AIGC视听产业朝阳全域创新生态体系，推出5大核心举措，构建完整文化IP市场，激活创新模式潜力，推动大视听产业高质量发展。
刚刚，OpenAI任命新印裔CTO！11亿美金连公司打包收购，接管ChatGPT产品核心
OpenAI斥资11亿美金收购实验平台Statsig，其CEO Vijaye Raji成应用部门新CTO，将负责ChatGPT等产品工程。同时启动「OpenAI for Science」项目，打造AI驱动的科学发现平台。
OpenAI和Anthropic罕见互评模型：Claude幻觉明显要低
OpenAI和Anthropic罕见合作，互相授予API权限评估模型安全与对齐情况并发布报告。双方派出多模型参与，从指令层次、越狱、幻觉、欺骗策略等方面评测，呈现各模型优缺点。
景不动人动，MLLM如何面对「移步换景」的真实世界？OST-Bench揭示多模态大模型在线时空理解短板
上海多所高校研究者提出 OST - Bench，从智能体探索场景动态在线视角挑战大模型能力。它更贴近真实世界，揭示主流多模态大模型在线时空理解短板，为未来模型发展指明方向。
每个token都在亏钱，但ARR9个月破亿！从烧光现金、裁掉一半员工到反杀Cursor，Replit CEO曝一年内如何极限翻盘
2024年初到2025年9个月内，Replit的ARR从不到1000万美元突破1亿美元。其增长基于系统性战略，从基础设施整合发力。创始人分享发展历程，还谈到AI编程趋势及产品边界等内容。
担心被曝“于谦门”，57岁的于谦到底用龙虾做了什么？
于谦视频播客《多新鲜呐》最新一期，本质是“AI产品用户体验公开测试”。于谦作为测试员，关注点在结果、省事、风险等，节目把技术叙事换成生活叙事，帮AI面向大众转译。
苹果憋一年终超同参数 Qwen 2.5？三行代码即可接入 Apple Intelligence，自曝如何做推理
今年 WWDC 大会上，苹果推出专为增强 Apple Intelligence 功能的语言基座模型，含约 3B 参数紧凑型与基于服务器的混合专家模型。经优化可在苹果芯片高效运行，改进工具使用与推理能力，评测显示设备端模型表现优。
基于阿里云 AgentLoop 的 DeepSeek Harness 评测实践
本文分享基于阿里云 AgentLoop 平台的 DeepSeek Harness 评测实践。介绍了 DeepSeek Harness 工程架构，阐述 AgentLoop 平台接入方式及价值，还详述评估器设计思路、展示评测结果，最后总结方法论并展望后续工作。