「测试评估集」共找到 2697 篇相关文章
谷歌Agent正在憋大招：AI科学家内测，锦标赛制“炼”想法，一次跑40分钟
谷歌正为Gemini Enterprise开发多智能体系统，能扮演联席科学家提炼想法，实现研究自动化。工作时以锦标赛形式评估想法，一次运行约40分钟，还准备了“想法生成”“联席科学家”等智能体。此外还有“与文档对话”功能。
Kimi K2：唯一能稳定准确生成时钟的AI模型
AI World Clocks项目让9个大模型按提示词生成每分钟更新的时钟，以观察稳定性。国产Kimi K2是唯一能稳定保持表盘与指针正确平滑转动的模型，测试显示了模型在时空概念上的能力差异。
成本不到8千美元！新浪微博1.5B小模型超越近万亿参数模型
新浪微博开源的VibeThinker - 1.5B模型，仅15亿参数、训练成本不足8000美元，却在顶级数学竞赛基准击败近万亿参数模型。它采用频谱到信号原则，分两阶段训练，性能出色，成本低且数据无污染。
分析1.8亿份招聘数据后，他告诉你AI究竟取代了哪些工作
本文分析1.8亿份全球招聘信息，发现AI不是造成大规模失业主因，影响因岗位而异。创意执行类岗位下降多，AI基建岗位增长，程序员、客服、销售较稳定，高层受冲击小，还给出评估岗位安全的建议。
AI看不到的爱心，成了最棒的AI检测器。
作者以漂浮爱心图检测AI，Gemini 2.5 Pro、GPT - 5等模型均失败。又用噪点鹿视频测试，AI准确率为0%。原因是AI是空间王者、时间瞎子，无“共同命运法则”视觉系统，存在时间盲视。
大模型是否对问题难度有预判？最新研究揭示 LLM 内部的“难度感知机制”
近期论文《Probing the Difficulty Perception Mechanism of Large Language Models》系统性解答大模型能否感知问题难度等问题。研究基于数据集在主流 LLM 上训练轻量线性探针，定位负责难度感知的注意力头，还发现不同模型表现有差异。
GLM-4.6 vs Claude 4.5：当AI编程模型能力趋同，会用比选什么更重要
文章对比GLM - 4.6和Claude 4.5在AI编程中的表现。用两套提示词测试，发现二者能力接近，GLM - 4.6性价比高，还给出Claude Code + GLM - 4.6的组合使用方法，建议聚焦做产品而非纠结工具。
重生之在《我的世界》做山姆·奥特曼：网友在线手搓ChatGPT
一老哥在《我的世界》上手搓出有500万个参数的ChatGPT，经英语对话训练，能在像素世界小电脑上对话，用红石电路和存储单元搭建，未用指令集，网友还在游戏里开发出诸多东西。
2.12页/秒，MinerU2.5太快了，1.2B硬刚腾讯、阿里
GPT - 4o等刷新OCR榜单，但产业界仍面临文档图像处理难题。MinerU2.5提出1.2B轻量级文档解析模型，采用创新解耦范式，在多基准测试表现出色，单卡吞吐快，还给出可借鉴创新点。
LLM会梦到AI智能体吗？不，是睡着了也要加班
新智元报道，Bilt部署数百万智能体，让AI在“睡眠”中整理记忆，评估互动，决定信息存储位置。AI记忆与人脑差距大，Bilt和Letta实验展现“主动智能”雏形，提高模型表现。行业也在突围AI记忆缺陷问题。