「测试工具」共找到 3439 篇相关文章
推出 AnyLanguageModel：在 Apple 平台统一本地与远程大语言模型的 API
大语言模型是构建现代软件的重要工具，但 Apple 平台开发者集成模型困难。Hugging Face 发布 AnyLanguageModel，是 Swift 包，可替代 Apple Foundation Models 框架，支持多模型服务商，降低使用 LLM 难度。
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
Claude版Manus宕机，全网炸锅！顶级开发者曝光致命缺陷
Claude Cowork开年爆红，引发大量关注和讨论，两天内浏览量达五千万，甚至因太火爆致Claude用量太大而宕机。Django之父Simon Willison揭露其核心机制，也指出存在提示词攻击风险。
MiniMax 上市后的第一个开源：给 Coding Agent 立个规矩
2026 年初 MiniMax 成功上市港股，市值达 1100 亿港币。其上市后首个开源项目 OctoCodingBench 聚焦 Coding Agent 评估，解决规则复杂时 Agent 合规问题，为其立规矩，有重要社区价值。
GPT-5.2考赢人类！OpenAI警告：大模型能力已过剩，AGI天花板不是AI
GPT - 5.2在ARC - AGI - 2基准测试超人类，Poetiq系统让其准确率从60%提至75%。OpenAI称大模型进入‘能力过剩’阶段，未来AGI进展不止靠模型，更需人机协同。
让两个大模型「在线吵架」，他们跑通了全网95%科研代码｜深势发布Deploy-Master
科学计算领域开源软件多，但多数无法直接运行，制约可用性。Deploy - Master 针对此开发，通过搜索筛选工具、双模型博弈构建，将部署成功率提至 95%以上，为 Agentic Science 提供行动基座。
2025年末全球 AI 行业流量报告：狂热退潮，分化开始
Similarweb报告显示，2025年Q4 ChatGPT流量同比跌22%。各AI产品走势分化，如Gemini涨49%，Claude坐“过山车”。AI编程、写作等领域也有不同表现，还揭示对传统行业冲击没那么快。
泛娱乐 AI 赛道观察： 从「猜你喜欢」到参与共创，角色才是 AI 时代最核心的资产
文章围绕AI泛娱乐产品展开，指出AI时代产品观应从二元对立转为三元共生。AI可实现个性化体验，从“猜你喜欢”到“与你共创”。还分析了不同体验心态及案例，强调角色是核心资产，未来产品可降低门槛、扩圈发展。
谷歌 Gemini API 负责人自曝：用竞品Claude Code 1小时复现自己团队一年成果，工程师圈炸了！
谷歌主管工程师 Jaana Dogan 称，用竞品 Claude Code 一小时就生成了接近自己团队一年成果的系统。她公开评价引发争议，也让大家思考‘一年工程 vs 一小时生成’背后被压缩的是什么。
Gemini 3 Flash 发布，多、快、好、省，Coding 能力不输大哥Gemini 3 Pro
Google DeepMind 发布 Gemini 3 Flash，成本极低。它在多项测试表现出色，速度快、效率高，代码能力超 Gemini 3 Pro，获企业客户好评，今日起向全球开发者和普通用户推送。