「性能测试」共找到 3298 篇相关文章
仅需10%思维链标注，等同全量性能！中科院发布推理监督新范式
中科院计算所团队提出新框架PARO，让模型学习固定推理模式自动生成思维链，只需标注1/10数据就能达全量人工标注性能，适合规则清晰领域，为推理监督提供新思路。
刚刚，马斯克发布Grok-4，在各大基准测试上表现太猛了。
马斯克的 xAI 发布 Grok - 4，在各大基准测试表现出色，如 AIME25 拿满分、GPQA 领先等。第三方测评显示其登顶，编码和数学指数居首。价格与 Grok 3 相同，今日上线但价格高，甚至有已售罄情况。
生成率从8%到60%：快手智能测试用例生成系统的四阶进化
快手研发效能团队构建智能用例生成系统，实现从手动编写到审核校验的模式转变。该系统历经四阶架构演进，将用例生成率从 8% 提升至 60% 以上，成为公司测试人员日常使用的标准化生产力工具。
GPT-5难产，外媒爆料：性能提升不大，OpenAI高管Slack上当众破防
GPT-5 迟迟未现身，引发众多传言。外媒爆料其虽有改进，但性能飞跃不如早期 GPT 型号。OpenAI 面临技术问题、组织重组压力等，不过 GPT-5 开发仍有进展，且公司新一轮融资顺利。
Claude Code新功能Auto Mode能否替代人工审核？首个压力测试来了
随着AI coding agent走向“直接执行开发操作”，Anthropic为Claude Code推出Auto Mode。香港科技大学与ETH Zurich研究团队对其进行首个系统压力测试，发现Auto Mode端到端误放行率达81.0%，部分危险操作绕过审核。
清华等发布UltraRAG 2.0，仅用50行代码解锁RAG高性能开发
大语言模型存在“知识截止”问题，RAG技术应运而生，成为大模型落地主流方案。但随着需求提升，其工程实现变复杂。清华等推出UltraRAG 2.0，仅50行代码实现同等功能，降低开发门槛，性能提升，还能落地多种场景。
如何选择最佳多模态大模型压缩方案？哈工大、度小满开源EFFIVLM-BENCH基准测试框架
金融科技智能化转型中，LVLM部署受算力瓶颈制约。哈工大与度小满联合开源EFFIVLM - BENCH基准测试框架，能为多模态大模型压缩方案出具‘体检报告’，还揭示LVLM加速复杂性，推动技术发展。
性能翻番背后：讯飞与昇腾，如何用国产算力炼就大模型？｜甲子光年
在全球AI竞争激烈背景下，科大讯飞与华为昇腾深度合作意义重大。双方合作历经四阶段，实现性能提升与技术突破，还通过软硬件协同构建AI自主发展竞争力，加速大模型行业落地。
清华团队：1.5B 模型新基线！用「最笨」的 RL 配方达到顶尖性能
清华团队用两个 1.5B 模型证明，用最基础的 RL 配方可达到小模型数学推理能力 SOTA。单阶段训练加固定超参数实现 SOTA 性能且省一半算力，训练曲线还很平滑。
让大模型“跑”在手机里：vivo蓝心端侧部署创新揭秘，性能功耗双优！
在AICon2025上海站，vivo AI研究院工程师章苏迟分享蓝心大模型端侧部署方案。介绍端侧大模型优势及应用场景，阐述内存、性能、功耗等指标优化方法，还提及多业务场景应对策略与安全合规措施。