「跨平台评测」共找到 2120 篇相关文章
规范对齐时代：GPT-5 断层领先，让安全与行为边界更明晰
上海交通大学等团队提出规范对齐概念，构建评测基准 SpecBench 评测 33 个主流模型，发现多数模型有不足。还探索测试时深思方法，如 Align3 能提升规范遵循度，GPT - 5 在规范对齐上断层领先。
GPT-4o连验证码都解不了？？SOTA模型成功率仅40%
MetaAgentX团队推出Open CaptchaWorld平台，用于测试Agent解验证码能力。实测SOTA多模态模型成功率低，如GPT - 4o也被难住。该平台特点多样，揭示了当前Agent短板及模型设计新方向。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
跨OS GUI智能体基础设施白皮书——重新定义人机交互自动化｜甲子光年智库
《跨OS GUI智能体基础设施白皮书》由庭宇科技和铸基计划联合发布，剖析GUI Agent市场格局、技术路径与落地场景。指出其引发人机交互革命，能突破API局限，还介绍产品形态、发展挑战等。
HuggingFace要卖！880亿待价而沽
据Business Insider消息，全球最大AI开发者平台之一HuggingFace预计超130亿美元“卖身”。它是“AI界的GitHub”，连接多方，资本已追投6轮。AI资本正转向控制开发者入口平台，收购利弊待察。
新的基础设施即代码工具“formae”瞄准了 Terraform
平台工程实验室于2025年10月22日推出开源基础设施即代码平台formae，试图解决现有工具的根本性限制。它有两种操作模式，能自动发现和编码现有基础设施，使用PKL语言，还面临成熟工具竞争。
3 个月达成 5 亿平台播放量，Wispr Flow 分享如何做好红人营销
Wispr Flow是语音输入法中出圈且具代表性的产品，增长快、付费强、使用频。其靠红人营销3个月在两平台获超5亿播放量。19岁实习生分享经验，涵盖招人、判断品味、分层管理等方面。
AI 会笑吗？BIGAI & 上交大团队：多模态大模型是否真的能 get 到视频笑点｜ACL 2026
上海交通大学等团队构建v-HUB评测基准，分析多模态大模型视频幽默理解能力。评测7个前沿模型发现，模型依赖文字、主动发现笑点能力弱，声音作用有限，还需考虑隐形线索。
AAAI 2026 Oral | 拒绝「一刀切」！AdaMCoT：让大模型学会「看题下菜碟」，动态选择最佳思考语言
多语言大模型面临语言选择难题，现有跨语言推理方法存在缺陷。新加坡研究团队推出AdaMCoT框架，通过自适应路由机制动态选语言推理，提升跨语言事实推理准确性与一致性，效果超越传统方法。
教你构建私有 AI Coding 平台：Pi、DSH、Codex Harness 扩展能力对比与选型。
文章聚焦构建私有AI Coding平台，对比Pi、DeepSeek Harness、Codex Harness的架构、扩展能力及选型策略。介绍三者交互集成方式，分析其扩展特点，并为不同需求团队给出选择建议。