「推理评估」共找到 2647 篇相关文章
为 OpenAI 秘密提供模型测试， OpenRouter 给 LLMs 做了套“网关系统”
OpenRouter成立于2023年初，为用户提供统一API Key调用各类模型，OpenAI会用其秘密测试。平台token用量高速增长，还发布模型用量排行榜引关注。创始人认为大模型非赢家通吃，未来想成agent最佳推理层。
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。
AI 原生应用全栈可观测实践：以 DeepSeek 对话机器人为例
本文以 DeepSeek 对话机器人为例，介绍 AI 原生应用架构可观测需求、挑战与方案实践。分析 AI 领域痛点，提出阿里云 AI 全栈可观测架构，剖析大模型应用可观测技术，分享实战案例，还给出未来规划。
小扎“亿元俱乐部”车门焊死！被曝冻结招聘，禁止内部人员流动
Meta超级智能实验室被曝冻结招聘，禁止员工跨团队调动。此前Meta大举招人，现因新老员工矛盾、AI部门重组及市场对“AI泡沫”担忧等因素调整战略，虽AI投资有收益，但仍需评估。
实测GPT-5 Pro：别被普通版骗了！Pro才是OpenAI真正的顶级模型
新智元实测发现GPT-5表现飘忽，但其Pro版本实力强劲。在编程、推理计算、图像识别等多方面表现出色，网友实测后也赞不绝口。此外，文中还介绍了GPT-5提示指南及OpenAI放出旧模型的彩蛋。
GPT-5来了！人人都能免费用，最强大模型只需最傻瓜式使用
全世界等了2年，GPT - 5正式发布，面向所有人免费开放。它在AIME 2025取得优异成绩，编程等方面全面提升，集成多模态和推理能力，还推出多种使用模式和API模型，不过也遭马斯克等质疑。
一句话复刻谷歌！我用智谱新开源的GLM-4.5，把Agent开发打回了简单模式。
智谱AI深夜发布开源的新一代旗舰模型GLM - 4.5，目标成为最强Agent基座。它能一句话复刻搜索引擎，多能力原生融合，在多项测试中表现出色，推理快、价格低，还通过多关压力测试，且开源成本低。
阿里 Qwen3：持续开源，SOTA 连连！
很多从业者有‘闭源模型一定比开源强’的刻板印象，而 Qwen 正打破此认知。最近阿里连发三款模型 Qwen3-235B、Qwen3-Coder、Qwen3-235B（Thinking），在多方向发力且拿下多个开源榜单第一。
IMO怒斥OpenAI自封夺金，“91位评委均未参与评分”，网友：炒作无下限
OpenAI宣称新模型获IMO金牌不到24小时剧情反转，多位官方人士和大佬指其做法“粗鲁且不恰当”。其“金牌”成绩或站不住脚，未与官方合作，无评委参与评估。此事引发学术道德和商业炒作争论。
Kimi K2 详测｜超强代码和Agent 能力！内附Claude Code邪修教程
作者熬夜带来 Kimi K2 模型详测及 CC+K2 邪修教程。K2 是 1T 参数量的 MoE 开源模型，基准测试成绩优异，在代码、Agent、数学推理任务表现突出，前端能力强，还能驱动 Claude Code，成本低。