「评测报告」共找到 1052 篇相关文章
具身大满贯还全开源！原力灵机DM0.5登顶RoboDojo，且clone且珍惜
原力灵机的DM0.5登顶具身评测RoboDojo，在记忆维度表现突出，还在其他权威评测中成绩优异。它有强泛化能力，在多场景表现佳。其从数据、架构、效率全面升级，且全面开源，赋能具身生态。
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
ChatGPT正式上线广告主平台，AI产品从今天开始走向分裂。
今日凌晨，OpenAI更新ChatGPT，上线非推理模型GPT - 5.5 Instant，还官宣向企业主全量上线广告平台。此前广告已在部分地区测试，付费和未成年用户无广告，免费用户可选择关闭但功能受限。投放端向美企开放，出价高，这或成AI产品宿命。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
换题还是第一！DM0.5横扫RoboColiseum四榜
本文报道原力灵机DM0.5在智元机器人发起的RoboColiseum具身模型评测中拿下四个单项第一，这已是该模型连续拿下六套不同类型公开评测的榜首，攻破了传统具身模型换题掉分的痛点，目前已开源落地产业场景。
R-HORIZON：长程推理时代来临，复旦NLP&美团LongCat重磅发布LRMs能力边界探测新范式
复旦大学与美团LongCat Team联合推出R - HORIZON，它是首个系统性评估与增强LRMs长链推理能力的方法与基准。提出Query Composition方法构建评测基准和训练数据，评测发现主流模型长链推理性能断崖式下降，还分析出三大瓶颈，训练后模型性能双重提升。
告别单Agent，AI Agent进入团战时代！
上周CAMEL - AI开源Eigent，号称“全球首个桌面端多智能体生产力团队”，后脚Manus上线功能相似的“Wide Research”。本文分享Eigent内核，介绍其特色、与Manus对比，还深挖技术架构、MCP及容错机制。
一夜告别Token账单！端侧AGI真来了
2026年5月19日联想举办新品发布会，全球首发基于此芯Agentic SoC P1的联想AI主机P7与mini。P7小巧低功耗，算力强，有「一机双模」设计；mini更亲民。此芯P1构建端侧AGI算力矩阵，助力端侧AGI成现实。
马斯克翻车了！一边告OpenAI，一边偷偷蒸馏ChatGPT
4月30日，加州奥克兰联邦法院，马斯克诉OpenAI案进入第四天。马斯克承认自家Grok模型部分蒸馏了ChatGPT，还为AI公司排名，xAI垫底。法官拦下讨论AI灭绝话题，下周OpenAI联合创始人将出庭。
这款开源工具 deface，支持一键人脸打码，告别逐帧处理！
如今拍视频常出现路人，手动逐帧打码工作量大。开源工具 deface 可自动检测视频/图片中所有人脸，实现一键匿名化处理，还能处理摄像头实时画面，简单易用。