「开源评测」共找到 3519 篇相关文章
AI Agent 距离真正替人「全自动办公」，还有多远？
Meta、微软和 xAI 被曝监视员工操作来训练 AI，原因是真实办公中 AI Agent 表现不佳。SaaS - Bench 评测显示顶级大模型表现糟糕，智能体存在长周期任务脆弱、跨应用错误放大等问题，未来 SaaS 软件或需为 Agent 重新设计。
多 Agent 并行，手机也能用，已经 4 万星！
GitHub上项目Orca是专为「并行Agent」做的开发环境，开源4个月揽4万+ Star。它让多个Agent在独立git worktree里并行干活，互不干扰，还支持近30款主流Agent，另有多种实用功能，安装也简单。
4B小模型数学推理首超Claude 4，700步RL训练逼近235B性能 | 港大&字节Seed&复旦
香港大学NLP团队联合字节跳动Seed、复旦大学发布Polaris强化学习训练配方，让4B模型数学推理能力超商业大模型，且Polaris-4B可在消费级显卡部署，相关内容已全部开源。
Anthropic封号OpenClaw之父！复刻、改价、拉黑，24天三连杀
OpenClaw创始人Peter Steinberger的Claude账号被Anthropic封号，后恢复但无官方解释。此前Anthropic改价限制OpenClaw使用，且Claude Cowork半年来对标OpenClaw核心功能。这撕开了AI平台与开源agent生态裂痕，也凸显包月模式被Agent算力需求击穿的问题。
为什么GPT-5算得出微积分，却数不清积木？
文章对GPT - 5展开系统化空间能力测评，涵盖8个基准、超10亿token成本。提出“空间智能六维图谱”，发现GPT - 5在MM和SR达人类水平，但MR、PT等方面有短板，还揭示闭源与开源模型在复杂任务上差距小等情况。
「百万级」视频推理数据集！30+顶尖高校联合发布
AI视频生成已能「画得像」，但不会「想得对」。VBVR推出百万级视频推理数据集，首次系统评测模型对空间、物理、逻辑和抽象的推理能力，发现顶尖模型通过率仅68%，推动视频AI从「视觉模仿」迈向「智能推理」。
中国AI登顶全球之巅，顶流女团MV燃爆开场！AI音乐奇点已至
昆仑天工发布Mureka V8音乐大模型，基于MusiCoT技术，在音乐性、人声表现力和编曲层次等方面显著提升，使AI音乐达「可发布」级别，评测超Suno V5，还与太合音乐合作，欲打造全球AI音乐第一平台。
807道灵魂拷问后，中国模型竟在「意义测试」中夺冠！
在美国新基准测试FAI - C中，中国开源模型Qwen3夺冠，DeepSeek的R1跻身前六，力压美国明星实验室顶级模型。该测试由前英特尔CEO帕特·基辛格所在公司Gloo推出，旨在让AI直面深层问题。
Claude 小升级就赢了OpenAI 9年“开源神作”？高强度推理直接歇菜、幻觉率高达50%，写作还被Kimi 2吊锤？
OpenAI发布首个开源语言模型系列gpt - oss，包括gpt - oss - 120b和gpt - oss - 20b，可在Hugging Face下载。同期谷歌、Anthropic也有新模型推出。gpt - oss有亮点，但也存在幻觉率高、实测效果差等问题。
95%的人还在手动提取数据，用这个工具秒变结构化
文章介绍Google开源的LangExtract，它基于大语言模型，能将非结构化文本转为结构化数据。有精准溯源、少样本定义等6大优势，可3步完成安装配置，还介绍基础使用、长文档处理、多模型支持及实战案例等内容。