「测试评估集」共找到 2697 篇相关文章
阿里Qwen 3.7 Max：35小时自主编程，Claude跟不上了？
阿里云峰会发布的Qwen 3.7 Max，在优化平头哥芯片推理内核任务中，35小时让推理速度快10倍。它在多基准表现出色，编程、推理、办公自动化全面开花，但闭源且实验室场景与现实有差距。
Kimi总裁张予彤北大实录：我们想要有抽象能力和偏执的人｜甲子光年
Kimi总裁张予彤在北大分享，谈AI时代人才标准，偏好有抽象能力和偏执的人。还探讨AI创造新工作、学校课程设计、企业管理等问题，分享Kimi招人标准、组织特点及对行业诸多问题的看法。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。
回敬 Codex，Claude Code 推出 /goal 功能，不干完不睡觉
Claude Code随2.1.139版本推出 `/goal` 命令，设定完成条件后可持续工作至目标达成。它与Codex互相借鉴功能，且在设计上采用裁判分离，官方也给出目标制定建议，还带来其他更新。
AI短漫剧的Netflix来了！恒星AI推出全球首个影视级AI Agent「Starfilm」，打造AI短漫剧制作的“超级梦工厂”
恒星AI推出全球首个影视级AI Agent「Starfilm」，能一站式完成AI短漫剧创作。它集剧本、数字人、音乐等核心能力，还搞“星光计划”助力创作者在多平台分发变现，让“一人成剧”梦想成真。
Life of a Token：像调试代码一样看懂大模型如何生成 Token
文章类比 Chrome 的 Life of a Pixel，追踪 LLM 里 token 从输入到输出的全程。以 GPT - 2 Small 为例，详细讲解其管线各阶段，如 Tokenization、Embedding 等，还介绍了残差流、KV Cache 等概念及 GPU 性能瓶颈和优化方法。
DeepSeek 推出快速模式和专家模式
DeepSeek web 端灰度测试快速模式和专家模式，快速模式用于日常会话，专家模式适合复杂任务，但不支持文件上传，上下文仅 128k。目前两模式能力与 v3.2 没差别，或为 v4 做准备。
Karpathy 亲手终结了RAG的草莽时代
Andrej Karpathy分享“LLM Wiki”工作流，将多数Token用于构建“可演化知识库”。此方法不依赖复杂架构，在中等规模数据集上展现出强大能力，引发“LLM Wiki杀死RAG”的讨论，在技术社区和企业级市场反响热烈。
清华、西交联合开源发布了Cheers : 一条更简洁、更高效的统一多模态路线
清华、西交联合开源发布CHEERS，提出面向统一多模态理解与生成的架构路线，在保持系统简洁前提下，统一理解与生成任务，继承开源预训练模型知识，在多项基准测试中表现优异，还实现4× token压缩。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。