「测试任务」共找到 3359 篇相关文章
2026 Data+AI 中场纪实：企业决策者，敢把真实业务交给 Agent 吗？| 直播预告
Snowflake携手InfoQ发起直播，探讨企业将真实业务交予Agent的问题。贾天下将分享相关内容，其博客展示有本体团队可实现的能力，还通过生物医学基准测试比较不同方案，为构建企业级AI智能体提供参考。
世界模型炒作了半年，反应速度还不如 VLA？穆尧团队和百度智能云给出最新解法
生成式世界模型用于机器人控制备受争议，因其推理延迟高。上海交通大学 ScaleLab 团队等联合发布 AHA - WAM，解决推理延迟和时空分辨率错配问题，在任务成功率和推理速度上领先，还需系统协同推进落地。
调高一档推理强度，成本可能翻几倍：大模型思考原理讲清楚
文章详细讲解推理强度原理，指出其不改模型，只改草稿长度。还说明模型多思考能提高答题准确率的原因，剖析贵和慢的原因，介绍三种控制形态，并给出判断推理强度档位的框架。
堆了一仓库GPU，却生产不出专业智能？九章云极用AI工厂给出解答
企业接入通用大模型到业务系统，却发现它难以执行任务。九章云极在发布会上推出‘AI工厂’战略，通过训练工厂和Token工厂填平执行鸿沟，前者用强化学习造专业模型，后者让专业智能规模化流通。
画数独、烧蜡烛都不翻车了？浙大&阿里让AI先三思再下笔｜ACL 2026
当下视觉生成中，开源模型在逻辑推理生成任务上频频翻车，与闭源模型有差距。浙大与阿里团队提出Unified Thinker，将思考与执行解耦，构建数据集、采用创新算法，实验显示其有效提升逻辑执行准确度。
NUS、牛津等联合发布音视频智能综述：系统梳理大模型时代的AVI全景图
NUS领衔近10家机构发布音视频智能综述，系统梳理大模型时代AVI发展全貌，涵盖感知、生成与交互，复盘子方向工作，构建任务蓝图，整理评测体系，总结基础技术，还探讨应用、安全及未来研究方向。
苹果画的饼谷歌率先搞定！Gemini全面进驻全家桶，连鼠标都AI上了
在Android Show独立发布会上，谷歌推出诸多新品，核心是将Gemini嵌入安卓底层，还带来AI鼠标光标、Googlebook等。Gemini能跨应用执行任务，Googlebook为其量身打造，谷歌这波操作像把苹果画的饼烙好端上桌。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。
Auto Research最后一块拼图，Frontier-Eng Bench登场，在工程闭环里死磕最优
Einsia AI旗下Navers Lab论文Frontier - Eng推出新评测范式Generative Optimization，搭硬核评测系统，覆盖47个横跨5大工程方向的任务。评测多种模型，结果显示gpt 5.4最稳健，但距资深工程师水平尚远。
对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准
文章围绕清华团队提出的 WorldArena 评测框架展开。它针对具身世界模型，对过去沿用视频生成的评测逻辑重新审视，从视觉质量和功能性任务两维度评估，推动世界模型从‘生成世界’迈向‘使用世界’。