「真实世界测试」共找到 2927 篇相关文章
全网疯传！Claude最新模型意外曝光：全面碾压Opus 4.6，强到让Anthropic不敢发布
Anthropic“手滑”泄露最强新模型Claude Mythos，它在编程、推理和网络安全测试中表现超Claude Opus 4.6。因模型“黑客能力”强，Anthropic发布谨慎。此外，该公司还意外泄露3000多未发布文件。
我在微信免费养「龙虾」，玩到上瘾，这组CP太强了
2026 开年「龙虾热」渗透各类任务场景，腾讯动作密集。其自研 WorkBuddy 优势明显，与微信 ClawBot 联动成「官配」。经测试，它能高效处理多类任务，还为用户提供权益，腾讯龙虾矩阵加速成形。
文言文秒杀所有大模型！100%攻击成功，轻松突破安全防线
南洋理工等机构团队提出基于文言文语境的自动化黑盒测试框架CC - BOS，利用果蝇算法和8维策略空间，暴露主流大语言模型安全盲区，实验显示对6款主流模型攻击成功率达100%。
独家｜章鱼动力完成近5000万美元首轮融资，并发布SYNTH 深思架构
AI科技评论独家获悉，物理AI公司章鱼动力完成近5000万美元首轮融资，由地平线等联合投资。同时发布围绕操作智能、物理世界建模与数据体系协同的SYNTH深思架构，资金将用于研发等。
做RAG这一年，最后悔的就是上知识图谱
基于知识图谱的检索增强生成在问答任务中存在三元组索引丢失上下文语义问题，作者提出MDER - DR双阶段框架，在标准测试和特定数据集上性能提升最高66%，还具备多方面优势。
The Batch：924｜GPT-5.4：性能更高，价格也更高
OpenAI更新旗舰模型GPT-5.4，有Thinking和Pro两个版本，扩展工具使用能力，多基准测试达当前先进水平，但定价高。虽在部分任务表现超Claude，挑战Gemini地位，不过成本也更高。
安全的下一个好赛道，非常值得研究
近几年机器人发展火爆，摩根士丹利预测到2050年产业规模或超5万亿美元。但机器人领域安全复杂，研究团队用CAI框架对三款消费级机器人渗透测试，揭示严重安全问题，且行业整体对安全无知。
从 SQL 到 OSI：当“数据是什么意思”也有了标准答案
本文回顾 SQL 统一世界的历史，引出 OSI 标准。OSI 解决“数据是什么意思”的标准化问题，众多全球数据技术公司参与。还介绍各厂商语义层布局，分析对中国企业的影响及 OSI 未解决的问题。
震惊海外开发者！BOSS直聘3B小模型比肩80B，怎么做到的？
BOSS直聘楠北阁团队发布3B轻量端侧小模型Nanbeige4.1-3B，性能震惊海外开发者。团队从多方面改进，如优化推理和偏好对齐，重构训练数据，采用多种强化学习算法，使其性能比肩大模型。
MMLU已死？「人类最后考试」登Nature：全球AI模型集体不及格！
AI发展迅猛，现有基准测试难以跟上其步伐。近1000名研究人员组成的全球联盟创建「人类最后的考试」（HLE），涵盖多领域难题，目前最强AI准确率不足50%，凸显AI与人类专家的差距。