「测试框架」共找到 3137 篇相关文章
正确答案 ≠ 正确推理，CoT 或成大模型推理能力停滞的「罪魁祸首」？
研究指出当前大模型推理能力评估多关注答案准确性，忽视推理步骤。通过对前沿模型测试发现，2023 - 2024 年大模型推理能力提升停滞，进步靠提示工程，自底向上策略最有效。
【万字长文】大模型开源开发全景与趋势解读
本文以蚂蚁开源团队视角，基于OpenDigger数据，分析大模型开源开发生态。呈现2025年全景图，涵盖135项目。指出训练、推理、应用侧主导领域，还探讨生态趋势、项目兴衰及近期厂商动态。
刚刚，OpenAI开放GPT-4.1，100万上下文、代码能力超强
今天凌晨1点30，OpenAI宣布开放GPT - 4.1，可在ChatGPT中使用。它针对编码任务，支持100万tokens上下文，在多项测试中表现优于前代，价格更优，不同用户将陆续获得使用权限。
颠覆金融分析！多智能体AI股票分析师震撼登场!
多智能体AI股票分析师登场，由股票分析与报告撰写两智能体组成，通过CrewAI框架协作。用Streamlit构建界面，结合YFinance等获取数据，可30秒内生成含买卖建议报告。
Claude王座失守！OpenAI一夜反超，神秘GPT‑6 Sol偷跑
本文报道AI大模型领域最新战局，OpenAI在OpenRouter平台的开发者Token消耗付费流水，首次超越Anthropic Claude，终结了Claude两年半的统治，同时神秘GPT-6 Sol偷跑曝光，双方开启终极对决。
当AI幻觉开始操作电脑：深大、港科大提出ECA，让Agent行动前先验证证据
本文针对Agent场景下AI幻觉会转化为实际错误操作的问题，介绍深圳大学与香港科技大学提出的ECA框架，通过独立验证加门控检查降低不安全执行风险，给出测试数据验证方案有效性。
GPT-6来了，立摘ASI坐标系今日金牌！
OpenAI 正式发布 GPT - 6 Astra，在多项测试中表现优异。近期 Anthropic、谷歌也有新模型发布。马斯克、Altman 对 AI 发表看法。新智元决定做 ASI 坐标系，相关官网 9 月 7 日上线，现征集需求。
重磅！OpenAI深夜发布GPT-6 Astra，总裁Brockman：这就是AGI
OpenAI发布GPT-6 Astra，总裁称实现了AGI。它在多基准测试成绩优异，能独立完成复杂工作，网络安全能力强。但推理难监控，其即日起向特定机构开放，有使用价格标准。
0.25秒识破未见攻击，这套检测方法没看过任何越狱样本 | EMNLP'26
大视觉语言模型带来隐蔽攻击面，现有检测器难平衡。中国人民大学与阿里巴巴集团联合提出Learning to Detect（LoD），不依赖攻击样本和手工规则，从模型内部激活学安全模式，实验效果好且代码开源。
刚刚开源就收藏 1000+ 收藏的 DeepSeek Harness 橙皮书，它把Harness拆解个遍！
DeepSeek Harness开源同日，《DeepSeek Harness：从开机到拆开》上线。作者花叔实测记录大量官方文档未写的细节，如完整系统提示词、出厂启动清单等，全书分四部分，获取方式简单。