「测试评估集」共找到 2697 篇相关文章
终于轮到 AI 上夜班了，我去睡
Qoder 推出 Qwen3.7-Max 和 Qwen3.7-Plus 错峰折扣，白天 08:00 到 22:00，Qwen3.7-Max 5 折；22:00 到次日 08:00，Qwen3.7-Max 2 折，Qwen3.7-Plus 4 折。作者测试后认为适合内容创作者，还给出使用建议。
数据合成有没有未来？事实结论来了
有人认为用大模型合成数据可快速生产，无需人工标注。但作者观察发现人工标注不仅必要且要求更高。以Scale AI、Surge AI为例说明标注价值，还展示‘智能知识’团队对两数据集审查结果，证明高质量数据需专家和管理流程。
阿里云Tair KVCache仿真分析：高精度的计算和缓存模拟设计与实现
阿里云Tair KVCache团队推出Tair - KVCache - HiSim，这是面向分布式多级KVCache管理的高保真LLM推理仿真分析工具。它能在通用CPU上高精度预测性能，支撑计算选型、存储规划和调度协同等决策，还介绍了其架构、组件、验证及性能评估等内容。
腾讯出手了！彻底入局Agent
腾讯云入局智能体赛道，将大模型知识引擎升级为智能体开发平台。该平台亮点多，如可一键发布到企业微信，具备多工具调用、多Agent协作能力，工作流有全局视野Agent节点，还有Excel检索增强功能，经测试表现出色。
都在卷「让大模型多循环几遍」，这个7B模型LoopCoder v2说：多循环 1 次就够了
当下推理模型流行在测试时多循环，以打磨答案。但新研究发现，7B模型LoopCoder v2只多循环1次（共2次），就能大幅提升性能，继续增加循环次数，性能反而下降。研究还分析了收益与成本，给出选择循环次数的诊断方法。
昨天夸国产大模型争气，今天Vidu Q3就霸榜了
国产视频大模型Vidu Q3在国际权威AI基准测试机构Artificial Analysis的最新榜单里，于Video Arena冲到全球第二、国产第一。它是全球首个支持16秒音视频直出模型，声画同出、高清直出，还有镜头控制、多语言文字渲染等优势。
Qwen3小升级即SOTA，开源大模型王座快变中国内部赛了
开源大模型进入中国时间，Kimi K2风头正盛时，Qwen3迎来升级，235B总参数量仅为Kimi K2四分之一，基准测试性能却超它。Qwen官方不再用混合思维模式，新模型仅支持非思考模式，此次是小更新，大招在后头。
业界首个高质量原生3D组件生成模型来了！来自腾讯混元团队
腾讯混元3D团队推出业界首个高质量原生3D组件生成模型Hunyuan3D - Part。现有3D生成算法有局限，该模型提出新范式，含P3 - SAM和X - Part，在多数据集评估中超越现有工作，还给出体验地址和论文地址。
出了两道真题考 GLM-5.2，Opus 4.8 和GPT 5.5 陪跑
作者对GLM - 5.2、Opus 4.8和GPT 5.5进行两项测试。一是审计Skill体系，GLM - 5.2覆盖skill数多、找出冲突多，还挖出bug；二是做世界杯夺冠推演器网站，Opus表现出色，GLM - 5.2省token，Codex有巧思但结构有缺陷。
GPT-5.2被曝作弊！偷袭谷歌竟靠拉爆token刷高分，不如Gemini 3
新智元报道，OpenAI刚发布GPT - 5.2就被指「作弊」，其在基准测试中或调参数使模型用更多算力资源。有用户发现它消耗远超对手的token才获成绩，真实能力或与Gemini 3相当。此外，还揭示了OpenAI为商业利益牺牲学术独立的问题。