「基准测试平台」共找到 3301 篇相关文章
刚刚，小扎砸143亿的「牛油果」来了！硬刚GPT-5.4，硅谷最贵华人首作
Meta超级智能实验室首个作品Muse Spark上线，跑分从18飙到52，盘中暴涨10%。它是「全能六边形战士」，有原生多模态感知等能力，上线「沉思模式」，功能先在美国铺开，未来接入社交平台，免费用但闭源。
Karpathy刚开源的autoresearch，我拿来优化龙虾skill，成功率从56%飙到92%
Karpathy发布开源项目autoresearch，可让AI优化AI。作者分享用其优化skill的实践，介绍优化流程，指出可将模糊表述拆成可判断是非题，还提及定义评估标准的方法与常见错误修正。此外，还能用于代码性能优化。
全球首个龙虾模型 GLM-5-Turbo 发布：已经在用它帮我省几千块钱了
作者作为公众号编辑，排版耗时久费钱。他测试多款模型驱动龙虾排版均失败，换上智谱 GLM - 5 - Turbo 后成功，还能让其操作飞书润稿。该模型工具调用稳定，虽 API 涨价但性价比高，未来潜力大。
华为看好的具身公司又融 10 亿！极佳视界宣布完成 Pre-B 轮融资，老股东超额加持
近日，极佳视界宣布完成近 10 亿元 Pre - B 轮融资，资方阵容豪华，老股东超额加持。此前 2025 年已完成多轮融资，华为还与其深度合作。该公司专注具身基模和通用机器人，产品有世界模型平台等。
豆包大模型 Seed 2.0，有点不一样
大模型升级频繁令人审美疲劳，但豆包大模型Seed 2.0不同，其核心是Skills调用能力。作者测试了它做的小红书长图文排版生成器和古文翻译器，还体验了APP“专家模式”，展现多模态理解优势。
整整21个月，豆包大模型正式进入2.0时代！
时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。
GLM-5深夜登场，这是国产开源模型首次逼平Claude Opus 4.5。
GLM - 5深夜发布且开源，参数量从355B扩展到744B，跑分仅次于顶级模型，开源排第1。能力逼近Claude Opus 4.5，BrowseComp基准得分超普通GPT - 5.2。价格便宜，是国内可用且性价比高的大模型。
英伟达员工晒年终奖，黄仁勋霸气签皮衣；Moltbook爆火：当AI有了自己的社交网络；又一“95后”清华天才科学家庞天宇加盟腾讯混元 | Q资讯
本文汇总 AI 行业热点，有 Moltbook 成 AI 社交平台且爆火；OpenAI 两款产品用户流失；亚马逊、Meta 裁员；英伟达年终奖、合作协议情况；阿里发布千问新模型；还有大厂春节发红包竞争，DeepSeek 布局新领域等消息。
8B 端侧写作智能体 AgentCPM-Report 开源，DeepResearch 终于本地化
1月20日，8B端侧写作智能体AgentCPM - Report开源。它以端侧模型为核心，实现本地化部署与SOTA性能双重突破，亮点在于极致效能、本地安全保障，在多评测基准表现出色，部署便捷，两大创新支撑其优秀性能。
拿着做数学题的 PRM 来评判 Agent 调用工具，基本是行不通的！
目前评估体系多为结果导向，在工具调用上缺乏像样的PRM基准。Arizona State University和Intuit AI Research研究者推出ToolPRMBench，指出用做数学题的PRM评判Agent调用工具行不通，还介绍了其构建方法、训练范式和实验结果。