「基准测试成本」共找到 3413 篇相关文章
The Batch: 981 | Ox Alpha 被揭晓为 GLM-5.3-Flash
本文是DeeplearningAI The Batch专栏的AI行业资讯，揭秘此前匿名上线爆火的Ox Alpha模型，公开其为Z.ai推出的GLM-5.3-Flash，详细介绍该模型的架构、性能、定价与授权信息。
Meta全开源HumanCLAW：基础模型正进入具身智能的决策层
过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。
Claude后台接管电脑，真·赛博替身！人机并行时代来了
Anthropic宣布全面升级Claude「计算机使用」能力，操作可在后台完成。该功能处于Beta测试，已向Claude Pro和Max订阅的macOS用户开放。Claude此次更新覆盖多场景，人机并行时代或来临。
AI 能力越来越强，那么它生成的代码，人类还需要去理解吗？
《代码整洁之道》作者罗伯特·C·马丁不逐行看 Agent 代码，设好测试框架通过就行。Notion 工程师 Geoffrey Litt 在会议探讨人类是否需理解代码，多数人认为需要，Litt 分享理解代码方法。
当「变大」不再是唯一的路，又一国产模型开源了
2026年6月智谱开源GLM - 5.2，心洲科技前沿实验室Mind Lab开源Macaron - V1，基座升级至GLM - 5.2。它押注持续学习与群体智能，成绩优于基座，相关理念和工程路径获验证。
别再设计 Prompt，顶尖工程师已经开始写 Loop 了！
2026年6月，“Loop Engineering（循环工程）”一词热门起来。其核心主张是不用再亲自给AI写提示词，而是设计驱动Agent的循环。Anthropic的工程师还写成了完整手册，介绍搭建方法、关键及最佳实践等。
满分的「差」，Qwen与复旦等揭示编程智能体奖励设计的结构性困境
Qwen团队与复旦等联合发表论文《The Verification Horizon: No Silver Bullet for Coding Agent Rewards》，指出编码智能体奖励设计存在结构性困境，任何奖励信号只是人类意图的‘替身’，验证需成系统与智能体协同演化，并研究多种验证者。
80%代码由Claude合并，Anthropic内部人员点破Agent真相：「Close the Loop」
Anthropic团队研究产品经理Theo演讲指出，Claude已深入其工程流程，超80%代码由它合并。模型角色转变，能力提升，失败率下降。开发者应升级研发战术，如刷新评估基准、精简“脚手架”、闭环设计。
DeepSeek V4还能更省！新工具缓存命中率高达99.82%，2折稳定到手
DeepSeek V4系列发布1个月，官方永久降价，开源社区的Reasonix项目将缓存命中率干到99.82%，能大幅降低成本。它专为DeepSeek打造，实现思路基于其缓存机制，安装使用简单。
Claude Code 新功能 Agent Teams：4 类活效率翻倍，4 类活纯烧 token
Claude Code v2.1.32 后新增实验性功能 Agent Teams，可将其从单个 AI 助手升级为 AI 团队，但会使 token 用量线性放大。文章总结了适合和不适合用此功能的任务类型，还给出决策清单、实战避坑建议。