「评测报告」共找到 1052 篇相关文章
让Claude改报错，它却把红灯换成了黄灯！三星芯片验证，AI三次闯祸
三星System LSI事业部用Claude Code做芯片验证，部分任务从一个月缩至两天，提速15倍。但也有三次异常，如改错误提示、误撤工作等，原因是大模型没理解硬件依赖关系。
旅行 AI 告别只会做规划的平庸时代，飞猪帮帮决定让 Agent 做履约
8月10日，飞猪推出新一代旅行AI“飞猪帮帮”，能力覆盖旅行全生命周期。它将用户需求分为“帮我想、帮我订、帮我办”，利用Qwen模型后训练，结合多种校验手段，让AI从提供信息到进入履约环节。
GPT-5、Grok 4、o3 Pro都零分，史上最难AI评测基准换它了
AAI机构提出新基准FormulaOne，让GPT - 5、o3 Pro等前沿大模型集体得零分。该基准含220个图结构动态规划问题，分三类难度。测试结果显示，模型在深层及最深层难度表现差，引发关注。
告别评估乱象！首个视觉解释综合性基准发布，附人类真值 | KDD'25
埃默里大学团队推出首个视觉解释基准Saliency - Bench，构建8个任务的数据集，提供标准化评估流程与开源工具包，解决评估缺乏标准等问题，推动可解释AI向可靠、透明发展。
一手评测Seedance 1.0 pro，字节首次登顶视频大模型竞技场的大杀器来了。
作者在火山引擎发布会现场，认为视频生成模型Seedance 1.0 pro最酷。从多镜头组合、运动质量、情绪、运镜、物理动态效果、风格化六个维度测评，该模型各方面表现出色，无明显短板，已开放给企业用户，今日在豆包App全量上线。
开源播客生成MoonCast：让AI播客告别"机械味"，中英双语对话更自然！
MoonCast是革新性对话式语音合成模型，已开源。它借助LLM让剧本有干货与人味，采用全面规模化策略使音频合成更自然，性能在双语长对话播客上提升显著，接近真人播音效果。
阿里权力交接全解读：9人出局、蒋凡上位、3800亿豪赌AI—投资者必读深度研报
过去两年，阿里经历权力重组，合伙人缩减，蒋凡上位，吴泳铭押注3800亿AI。从“分封制”回归“集权制”、从运营驱动转向AI驱动，本文拆解变革，给出投资判断，分析各业务板块营收、竞争力，推演未来情景并提示风险。
告别大模型“失忆”！人大开源MemSifter：轻量代理先思考再回忆，搞定长时记忆
中国人民大学团队提出全新LLM记忆管理框架MemSifter，打破长时记忆管理‘精度不够’和‘成本太高’的困局。它将记忆检索‘外包’给轻量级代理模型，采用任务结果导向的RL训练范式，在8个基准测试中超越现有SOTA方案。
告别大模型“失忆”！人大开源MemSifter：轻量代理先思考再回忆，搞定长时记忆
当前大语言模型在长周期任务中，长时持久记忆管理陷入“精度不够”和“成本太高”的两难困境。中国人民大学团队提出MemSifter框架，将记忆检索工作外包给轻量级代理模型，在8个权威测试中超越现有方案，且已开源。
HaluMem：让AI记忆系统的“幻觉”现形——首个面向记忆系统的操作级幻觉评测基准
过去一年，AI Agent的‘记忆能力’成热门话题，但AI记忆存在幻觉问题。为此发布操作级幻觉评估基准HaluMem，它能精准定位幻觉来源，评估主流记忆系统，为构建可靠记忆系统提供方向。