「基准测试平台」共找到 3301 篇相关文章
首个用户生活「长程模拟器」来了！LifeSim 重新定义大模型个性化评测
现有个性化助手评测基准与真实用户-助手交互脱节，来自复旦大学等的研究人员提出 LifeSim 框架及 LifeSim-Eval 评测方法。实验显示主流 LLM 处理显性需求尚可，隐性意图识别等方面短板明显。
最强Claude模型提前曝光！附带Anthropic三千份保密档案在线裸奔
向来标榜安全的Claude因权限配置失误，新模型Mythos提前曝光，还泄露3000份保密档案。Mythos比Opus 4.6更强，公司虽在测试但因安全风险限制发布，也有人质疑信息真实性。
Claude最新模型Mythos意外泄露，性能远超Opus
Anthropic内容管理系统配置失误，近3000个未发布资产泄露，Claude最新模型Mythos提前公开。它在软件编码、学术推理和网络安全等测试中远超Opus，网络安全能力尤其危险。2026年初Anthropic产品密集发布。
刚刚，英伟达革了自己的命：智能体自主进化7天，干掉所有算子工程师、GPU专家
英伟达新研究AVO构建了新型进化变异算子，用自主编码智能体取代经典方法。智能体7天自主进化，优化MHA内核，性能超cuDNN和FlashAttention - 4，还能快速适配GQA，展现强大泛化能力。
手残党跪了，Pi 0.6机器人15分钟学会拧螺丝，能进厂边干边学了
具身智能领域 Physical Intelligence 公布新进展，借助「RL token」法，让机器人短时间掌握精细操作。该方法给 VLA 加「外挂」，使机器人进化快、学习效率高，在多项任务测试中表现出色。
OpenClaw 之父惊叹中国速度！大厂集体杀入新战场：用AI 批量制造“一人公司”
AI 发展改写创业规则，“一人公司”批量涌现。创业者借助 AI 工具降低开发门槛，通过外包灵活组建团队。其商业化紧跟技术风口、服务长尾需求，但变现呈“金字塔结构”，竞争靠速度、资源和效率。大厂参与培育市场，传统软件服务商与一人公司边界渐模糊。
神图刷屏，全网SaaS大佬彻夜难眠！AI吞噬全球软件业，2027现死亡交叉
马斯克转发发言称AI正在吞噬全球软件行业，一张图显示2027年AI市场与SaaS估值将现死亡交叉，标志SaaS衰亡。AI普及使初创公司蚕食大厂领地，Adobe等软件公司面临危机，SaaS形态或改变。
18 岁创业者用 OpenClaw 管 16 个 AI Agent，一个人的 Agent 公司怎么运转
18岁无编程背景创业者用OpenClaw搭建多Agent协作平台，16个Agent分工明确，配合Claude、GLM等工具提升生产力。他分享工作流搭建、成本、模型选择等经验，还谈了对OpenClaw发展的看法。
谷歌Gemini杀入全球桶，血洗微软Office！颠覆全球3亿打工人
谷歌官宣Gemini全面升级版Workspace体验，全线接入Docs、Sheets、Slides。在SpreadsheetBench测试中成绩出色，谷歌Workspace更个性化实用。新功能覆盖文档、表格、幻灯片及云盘，还明确数据边界，欲定义下一代办公软件。
突发！Meta 收购 OpenClaw 龙虾社交网络 Moltbook
Meta 收购给 AI agent 用的社交网络 Moltbook，其底层用 OpenClaw 框架，平台曾现安全漏洞。此前 Meta 还高价收购 Manus。但 Meta 想收购的 OpenClaw 被 OpenAI 抢走，社区对收购 Moltbook 反应不一。