「测试时自适应」共找到 2412 篇相关文章
刚刚，Meta最强旗舰碾压GPT-6和Opus！一夜杀回世界前三
Meta发布两款全新旗舰大模型Muse Wonder与Muse Wonder Full，多项基准测试反超GPT-6 Astra和Claude Opus，长任务编程、专业能力测试表现领先，依托吉瓦级超算训练，已正式上线开放服务。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
AI也能换岗了！Anthropic教智能体交接班，不怕长任务断片
Anthropic设计出长时智能体运行框架，让AI跨越数小时任务渐进式推进。其采用双智能体架构，结合环境管理方法，提升全栈Web应用开发稳定性，但仍有通用与多智能体架构选择等开放问题。
谷歌 DeepMind 发布机器人学基础模型 Gemini Robotics On-Device
谷歌 DeepMind 推出 Gemini Robotics On-Device，这是视觉 - 语言 - 行动基础模型，可在机器人硬件本地运行，低延迟且能针对特定任务微调。它是 Gemini Robotics 家族最新迭代，还发布相关基准测试。模型待广泛可用，SDK 可在 GitHub 找到。
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
突发！Gemini 3.8登顶，谷歌迈出RSI一大步
谷歌发布Gemini 3.8 Flash及专攻网络安全的3.8 Flash Cyber。前者性价比高，在多项测试逼近顶级模型；后者在网络安全测试屠榜。但谷歌也被指提前庆祝，且模型可能有‘刷榜’成分。
马斯克Grok 4正式发布：世界最大AI超级计算机就训练了这？
Grok 4公开基准测试有进步，但在高级推理测试表现差，视觉理解仍是短板。性能提升多靠整合符号工具，无重大技术创新，‘幻觉’问题没实质进展，xAI官方对道德对齐信心不足。
Jeff Dean投的RSI出成果了：Kimi K3自我进化排国产第一
本文报道Jeff Dean投资的AI初创公司推出DeepRSI新基准，测试大模型递归自我改进能力，设置48小时无网络自主科研挑战，最终Kimi K3拿下国产第一、开源第一，成果引发行业关注。
GPT-5超越人类医生！推理能力比专家高出24%，理解力强29%
最新研究显示，GPT - 5在医疗领域处理多模态信息能力出色，在多模态测试中推理和理解得分比GPT - 4o分别提高近30%和36%，比人类医生还高。其能力提升源于端到端多模态架构，但现实应用还需更多实战考验。
震荡股市中的AI交易员：DeepSeek从从容容游刃有余? 港大开源一周8k星标走红
2025年10月美股震荡，港大黄超教授团队开源AI-Trader项目启动实盘测试，上线一周在GitHub获近8K星标。6位AI交易员投入纳斯达克100交易，实验测试其交易纪律、市场耐心和信息过滤能力。