「独立测评」共找到 344 篇相关文章
空间智能终极挑战MMSI-Video-Bench来了，顶级大模型全军覆没
上海人工智能实验室 InternRobotics 团队推出空间智能视频基准 MMSI-Video-Bench，对主流多模态大模型进行评测。该基准题型全面、问题具挑战性，视频数据多样，能针对性测评。结果显示模型与人类差距显著，明确了能力瓶颈。
库克怒换苹果 AI 一号位：谷歌系不行、找微软高管救火！Siri 藏“大雷”全靠 OS 团队翻盘？
Siri 重大升级延期危机加剧，苹果任命前微软高管 Amar Subramanya 接替 John Giannandrea 任 AI 业务负责人。此次变动结束 AI 独立运营，并入操作系统团队。苹果还面临 Siri 技术缺陷、外部竞争和人才流失等问题。
SIGGRAPH Asia 2025 | OmniPart框架，让3D内容创作像拼搭积木一样简单
香港大学等机构研究者推出OmniPart框架，解决3D内容创作难题，已被SIGGRAPH Asia 2025接收。它将生成任务解耦为两阶段，保证部件独立又能完美组合，质量和效率超现有方法，应用潜力大。
The Batch: 883 | 美国两个州禁止人工智能驱动的心理健康治疗
美国伊利诺伊州成继内华达州后，第二个禁止用人工智能进行心理治疗的州。该法案限制聊天机器人独立治疗及其他AI使用方式，旨在保护患者和人类治疗师，但也引发对全面禁止利弊的讨论。
AI 写代码这么强，为什么还是干不掉飞书多维表格？
有人认为 Vibe Coding 太强威胁飞书多维表格地位，使其独立开放。但作者认为这高估了 Vibe Coding 能力，低估了飞书多维表格复杂度与应用场景。现在 AI Coding 水平离生产级产品差距大。
突发！Qwen更新模型，全面超越kimi k2，强的离谱，主打Agent
Qwen小更新非推理模型性能强劲，各项指标超kimi k2，与Claude opus 4持平，Agent能力亮眼。Qwen团队告别混合思维模式，新模型上线，独立训练两模型，新版本多方面提升，团队称还有大招。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
DeepSeek-R1 更新，思考更深，推理更强
DeepSeek R1 模型完成小版本升级至 DeepSeek - R1 - 0528，用户可在官网、APP 等体验，API 同步更新。该版本强化深度思考能力，在多基准测评表现优异，还改善幻觉、提升创意写作等能力。
“GPT-6”Astra能力首次公开！浙大同济校友参与研发
OpenAI为下一代模型Astra（传说中的GPT - 6）拉满预热，公开其能力。它在网络安全测试表现出色，但强大能力带来安全隐患。OpenAI设两道安全闸门，且两位华人研究员参与研发。此外，其新技术或影响可监控性。
豆包工作体验：Agent 正在成为工作的新入口
豆包发布“豆包工作”，定位为独立办公 Agent 工作台。体验良好，能开项目、连办公应用。文章指出用户习惯迁移，Agent 成工作入口，还探讨了办公 Agent 的竞争点、权限问题、组织提效及人员角色转变等。