「性能测试」共找到 3325 篇相关文章
忘掉大模型，微软实证：小模型才是Agentic AI的未来！
过去两年大模型在数学竞赛题上靠Test - Time Scaling发展遇天花板。微软rStar2 - Agent让14B小模型学会‘写代码→跑结果→改思路’，表现出色。还介绍了其基础设施、算法、训练配方等方法。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
We-Math 2.0：全新多模态数学推理数据集 × 首个综合数学知识体系
北京邮电大学、腾讯微信、清华大学团队提出We - Math 2.0，含知识体系、数据集及训练策略，可提升模型数学推理泛化能力。该成果在X上获关注，登Huggingface Paper日榜第一。
EMNLP25 | "大模型在环"技术新突破：Dial-In LLM 推动中文客服意图聚类新范式
本文提出LLM-in-the-loop意图聚类框架，以传统聚类为骨架，微调后的中文LLM做语义裁判和命名批注。在10万+真实客服通话数据集上超越基线，解决现有方法依赖词向量、缺乏可解释性、调用大模型成本高的问题。
波士顿动力Atlas人形机器人再现逆天进化：通用AI机器人真的要来了
波士顿动力为Atlas人形机器人训练全新大型行为模型LBMs，它是语言指令驱动的策略模型，能完成复杂操作任务。构建模型有四步骤，实践遵循三大原则，还展示了其多方面操作能力与特点。
动动嘴，AI自己打开小红书、高德地图帮你干活了，国产Agent深度体验
作者为测试AutoGLM能否提高AHPU，用两个实测案例展示其功能，还拆解产品技术，介绍其进化历程。AutoGLM虽有不足，但已接近作者期待的产品形态，未来有望持续进化。
冗长响应缩减80%，DeepSeek GRPO获得颠覆性改进，微软GFPO问世
微软研究员曝出颠覆性强化学习算法 GFPO，能削减推理多余 token 长度达 80%。它基于 DeepSeek 的 GRPO，可同时优化多响应属性，团队还提出自适应难度变体，实验显示 GFPO 在多方面表现出色。
狂揽6.9K star！！微软又来一款王炸项目，实时跟踪、透明可控，牛皮！
微软开源项目Magentic-UI狂揽6.9K star。它是“以人为本”网页智能助手，基于AutoGen框架，可让用户全程掌控，能实时跟踪、透明可控，有协同规划等功能，适合测试、分析等人员。
Attention Sink产生的起点？清华&美团首次揭秘MoE LLM中的超级专家机制
清华和美团研究聚焦MoE LLM，首次发现超级专家子集。通过多模型实证分析，揭示其分布规律、重要性及对注意力机制的影响，开发识别工具，为模型压缩提供新方向。
GPT-5被意外泄露，奥特曼宣布即将发布！
一则GPT - 5被意外泄露的消息引发关注，SecureBio的github配置文件中出现相关内容，暗示要把‘推理’提升到新高度。OpenAI CEO等暗示GPT - 5即将发布，但不打算短期内推出有IMO金牌级别数学能力的正式产品。