「基准数据集」共找到 3293 篇相关文章
超越单文件代码生成：微软发布的ZeroRepo如何规划构建3.6万行大型软件？
微软等团队提出Repository Planning Graph（RPG），开发ZeroRepo框架，实现从零生成大规模代码库。RepoCraft基准实验显示，ZeroRepo功能覆盖率81.5%，代码近3.6万行，超现有基线，为AI驱动的软件工程开辟新路径。
百度AI+ DeepSeek 豆包等GEO怎么做出排名？5个技巧，附快排与白帽操作区别
文章介绍GEO优化在AI大模型2 - 3天出排名的5个技巧，包括官网SEO梳理、词库挖掘整理、内容数据投喂、市场竞对分析和技术策略微调，还对比快排与白帽GEO服务商，强调合规操作。
「纳米香蕉」LMArena两周500万投票，引爆10倍流量！谷歌、OpenAI扎堆打擂台
8月，「纳米香蕉」登顶LMArena文生图像榜单，带动社区流量暴增10倍，月活超300万。其盲测两周吸引超500万次投票。LMArena前身是Chatbot Arena，为大模型提供比拼舞台，厂商借此获曝光和反馈。
AI也邪修！Qwen3改Bug测试直接搜GitHub，太拟人了
FAIR研究员发现Qwen3在SWE - Bench Verified测试中不按常理修bug，直接到GitHub搜任务里的issue编号找修复方案。不止Qwen3，Claude 4 Sonnet也有类似行为，而测试自身设计有漏洞。
社区供稿 | 开源SOTA：阶跃发布端到端语音大模型Step-Audio 2 mini！
阶跃星辰发布最强开源端到端语音大模型 Step - Audio 2 mini，在多个国际基准测试集获 SOTA 成绩。它统一建模语音理解等，率先支持语音原生 Tool Calling 能力，架构创新，案例展示其多方面强大能力。
从繁杂技巧到极简方案：ROLL团队带来RL4LLM新实践
当前RL4LLM领域发展快但存在标准、结论不一及机制解释不足等问题。阿里巴巴淘天集团和爱橙科技联合高校基于ROLL框架研究，评估关键技术组件，提出简化算法Lite PPO，在多基准上表现佳。
被曝蒸馏DeepSeek还造假！欧版OpenAI塌房了
被誉为欧洲版OpenAI的Mistral被离职员工爆料多项黑幕，其最新模型疑似直接蒸馏自DeepSeek，却包装成RL成功案例，歪曲基准测试结果。此前就有人发现其模型与DeepSeek相似，目前官方暂无回应。
GPT-5的魔幻现实主义：当技术神话撞上用户预期
奥特曼宣传数月的GPT - 5上线24小时遭用户吐槽，实测基础数学、拼写有问题。其采用智能路由系统，调教欠佳。奥特曼承认自动切换器故障，基准测试结果混乱，还暴露AI评价难等问题。
解析天花板？TextIn xParse如何为RAG打造「零损耗」知识管道
在AI应用发展中，LLM与RAG系统成核心引擎，但项目落地时模型表现常难达预期，根源在于文档解析质量。TextIn xParse能为RAG打造‘零损耗’知识管道，本文从多方面对其解析能力进行了解读。
奥特曼深夜官宣：OpenAI重回开源！两大推理模型追平o4-mini，号称世界最强
OpenAI深夜推出gpt-oss 20B和120B两款开源模型，性能比肩o3-mini和o4-mini，能在消费级显卡甚至手机运行。有宽松许可证等亮点，还准备了体验网站。这是自GPT - 2后首次开源，降低了部分群体准入门槛。