「测试评估集」共找到 2691 篇相关文章
腾讯开源智能体新框架：不用训练无需充值，用开源模型实现SOTA Agent
智能体框架是推动智能体生态发展的基础设施，但现有框架存在上手门槛高、依赖闭源模型等问题。腾讯优图实验室开源Youtu - agent框架，无需训练模型、不依赖闭源API，性能领先，有多个核心亮点和典型应用案例。
美团开源新模型，多项能力实测第一
美团发布5600亿参数的LongCat - Flash模型，有创新动态计算机制和高效训练推理架构。它在多项测评中领先，尤其在代理工具使用测试表现出色，还以宽松许可开源，降低使用门槛。
马斯克首个编码模型上线，编程飙进Top5！这9位华人天团爆肝打造
xAI上线首个编码模型Grok Code Fast 1，速度快且性价比高，在编程基准测试中冲进前五。它全栈开发能力出色，背后核心团队华人学者占多半，xAI还给出提示词编写指南。
Meta提出Deep Think with Confidence：几乎啥都不用动，就能提升推理的准确性与效率
传统自一致性方法虽能提升推理准确率，但计算开销大、收益递减。Meta AI与UCSD团队提出Deep Think with Confidence（DeepConf），可在不增训练成本和不调超参数下，提升推理准确性与效率，本文对其全面解读。
思维链可无限延伸了，MIT等打破大模型上下文天花板
MIT等机构提出新架构Thread Inference Model（TIM），配合专用推理引擎TIMRUN，把推理过程变为树状递归子任务结构并修剪子任务，让模型突破输出窗口限制实现长程推理，实验验证了其性能。
谷歌最新「0.27B」Gemma 3开源！身板小却猛如虎，开发者直呼救命稻草
大模型时代开发者算力焦虑严重，谷歌Gemma 3系列另辟蹊径。新成员Gemma 3 270M参数规模小但性能强，如在IFEval测试表现突出，有小体积强架构、省电等亮点，适用于多场景。
华人团队终结Token危机：扩散模型数据潜力超自回归三倍
最新研究发现，token数量受限下，扩散语言模型数据潜力超自回归模型三倍多。一个1B参数的扩散模型用1B tokens训练，在基准测试取得不错准确率，且未现性能饱和。
一年成爆款，狂斩 49.1k Star、200 万下载：Cline 不是开源 Cursor，却更胜一筹？！
AI编程助手看似热门，实则多数亏本运营。Cline选择开源，允许用户自由组合LLM编程，个人免费，企业服务收费。它一年成明星产品，获49.1k Star、近200万下载，其创始人分享了产品理念、发展等多方面思考。
无需外部数据！AI自问自答实现推理能力进化
卡内基梅隆大学团队提出SQLM框架，这是无需外部数据的自我提问模型，含提问者和解答者角色。通过强化学习最大化期望奖励，设计自监督奖励函数。实验显示其能提升Qwen2.5 - 3B - Instruct多任务准确率。
Claude Opus 4.1被曝即将发布！Anthropic靠两大客户API收入超OpenAI
Claude Opus 4.1被曝正在内部测试，或重点提高推理和规划能力。Anthropic过去7个月ARR涨至50亿美元，API收入超OpenAI。但它收入依赖AI编程，面临GPT - 5、Grok等竞争。