「软件评测」共找到 1248 篇相关文章
BrowseComp等评测集第一，秘塔推出「深度研究」，已开启免费公开访问
世界变化快，AI领域新概念不断。秘塔在上线“浅度研究”五个月后，将其升级为“深度研究”。该模块最初由OpenAI推出，秘塔版可免费公开访问，准确率优，还让研究过程可见。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。
ACL'25 | CIGEval：一种基于多模态大模型的可控生图评测智能体
阿里国际AI团队提出CIGEval，这是基于多模态大模型驱动的图像生成评估智能体框架。它集成多功能工具箱，通过任务拆解与工具调度提升评估准确性与可解释性，已在ComfyUI - Copilot上线。
从需求到设计到代码，一个软件全搞定！TRAE Work Design实测来了
TRAE Work上新Design模式，与Work、Code模式配合，实现需求、设计、代码全链路在一个平台跑通。它能识别提取设计系统，提供多种改图方式，且出图合规、改图顺手，还简化了工作流。
把 UI 生成接进流水线：基于半监督评测体系的 UI 自动化生产实践
本文来自蚂蚁集团黄兆嵩在 QCon 2026 的演讲，探讨生成式 UI 技术重塑生产方式。提出系列工程实践，包括高质量生成、LUI 场景应用及质量监控迭代，让前端生产自动运转、用户体验随需而变。
最贵缩放录屏软件Screen Studio被这个开源项目复制了，完全免费！
Recordly是开源录屏与编辑工具，适用于演示等场景，支持多系统，比Screen Studio轻便顺滑还免费。有自动缩放等功能，介绍了安装、系统要求和使用方法。
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
创智&交大发现AI能动性新规律, 78样本胜GPT5实现软件+科研自动化
上海创智学院和上海交大刘鹏飞老师团队发现AI能动性新规律，LIMI仅用78个样本就超越GPT - 5达14.1%，提出能动性效率原则，即AI能动性不仅源于数据丰富性，更来自战略性构建，为AI系统开发开辟新路径。
硬件只是入场券：AI可穿戴的百万销量背后，软件与场景才是终极战场
InfoQ《极客有约》X AICon 直播探讨 AI 硬件进阶。Plaud、Rokid 等企业代表认为，AI 硬件成功关键在于早布局、结合需求与设计。软硬件一体是核心，可在传统硬件难胜任场景脱颖而出，多模态交互有挑战也有应用。
这一夜，中国AI彻底翻身了：DeepSeek R1让全世界刮目相看 | 深度评测
作者深度测试新DeepSeek R1，发现其代码生成能力超Claude 3.7，虽编程全面性有不足，但已处Claude 3.7与Claude 4之间。前端设计审美达Claude 4水准，部分方面略胜，有自主学习推理能力，或改变中国AI历史。