「基准测试成本」共找到 3408 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。
Claude Code也要龙虾化！凌晨床上发条消息，Mac Mini瞬间亮屏狂敲代码
Claude Code团队宣布新增Channels功能，可通过MCP控制会话，首批支持Telegram和Discord。用户能手机远程控制AI写代码，目前已灰度测试。不过其功能依赖会话存活，后续或接入更多平台。
OpenClaw 一键接入飞书最简单的方式，出现了！
作者作为安装 OpenClaw 的技师，起初安装方式效率低。后飞书推出在“飞书妙搭”一键接入 OpenClaw 的方法，还自动安装官方插件，其功能强大，可让 AI 助手像“数字同事”参与协作。
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。
Qwen3.5实战教程：从0到1掌握本地部署与微调
阿里通义千问团队发布Qwen3.5系列小模型，打破“大模型=高成本”惯例。本文全面剖析该系列模型，涵盖核心特性、本地部署实战、模型微调实战，还给出技术细节与问题解决办法。