「基准测试集」共找到 2465 篇相关文章
谢赛宁也玩MC？开源全新世界模型生成多人一致的游戏视角
电子游戏推动AI发展，谢赛宁团队探索世界模型新方向，推出多人视频世界模型Solaris。该模型能生成多人一致的第一视角，团队还搭建了多人数据采集系统SolarisEngine，构建了多人Minecraft数据集。实验结果显示，其方法在多方面表现更优。
小红书发布 SWE-Bench Mobile：当 AI Agent 面对亿级用户 App 代码库，最高通过率仅12%？
小红书联合多科研机构发布 SWE-Bench Mobile，它是首个还原‘端到端’开发流程的基准，以小红书 App 实际任务为核心。评测显示，AI Agent 在移动端开发能力上限低，架构设计比模型本身重要，简单提示策略效果更好。
开源Agent模型榜第一名，现在是阿里通义DeepResearch
阿里开源首个深度研究Agent模型通义DeepResearch，在多权威评测集上超越多个Agent模型。它采用多阶段数据策略，有两种推理模式，革新训练流程，已赋能高德出行Agent和通义法睿等应用，且模型等均已开源。
这一夜，中国AI彻底翻身了：DeepSeek R1让全世界刮目相看 | 深度评测
作者深度测试新DeepSeek R1，发现其代码生成能力超Claude 3.7，虽编程全面性有不足，但已处Claude 3.7与Claude 4之间。前端设计审美达Claude 4水准，部分方面略胜，有自主学习推理能力，或改变中国AI历史。
做 AI 产品，最重要的是尊重常识
2026年3月滴滴上线AI出行助手「小滴」，6月支付宝测试AI版「阿宝」，看似先进，但实际存在问题。滴滴将基础目标包装成AI个性化，支付宝承诺办事却像找路，还不敢让AI碰钱。很多AI产品迷信聊天框，未带来体验升级。
为什么你的"AI 优先"战略可能大错特错？
文章指出与其说AI First，不如说软件工程First。AI时代人成了瓶颈，应把人从链条拿掉。但实施AI First需满足自动化测试、CI/CD流程等条件，且只适合部分场景。还介绍了相关技术栈、功能开发和修复路径及成果。
24K+ star！AI 专用无头浏览器，快11倍、内存省9倍！
Lightpanda是专为AI代理、网页抓取和自动化测试而生的开源无头浏览器，用Zig语言重写核心引擎。官方称其速度比Chrome快11倍，内存占用仅为1/9，兼容主流自动化库，目前处于Beta阶段，已获24k+ Star。
创始人强塞AI代码，致开源社区分裂！核心开发集体出走：“你这种强权压制，让人恶心！”
近期，GZDoom 背后的开源社区因创始人兼维护者 Graf Zahl 在代码库中加入未经测试的 AI 生成代码而分裂，抗议者创建了分支 UZDoom。Graf 称只是用 AI 生成样板代码，不影响核心功能，但社区成员认为开源项目不该用 AI 工具。
GPT-5 终于发布：别慌、AGI 还没来，第一手的上手体验在这里
GPT-5 发布，距离 GPT-4 发布已过 2 年。它能力强、定价有竞争力，是首个「统一」AI 模型，幻觉率低、代码能力强。免费用户可默认使用，Plus 和 Pro 订阅用户有不同使用额度。开发者可使用三种模式，代码能力测试案例可参考相关网站。
斯坦福毕业，用RL做Agent，华人创业团队种子轮融资1200万美元
华人创业团队 Pokee.ai 以 RL 为核心开发 AI Agent，与主流以 LLM 为核心的方式不同。该团队创始人朱哲清有丰富经验，现完成 1200 万美元种子轮融资，产品公开测试版已上线。对话中还探讨了 Agent 特点、发展阶段等问题。