「AI测试集」共找到 10848 篇相关文章
谷歌发布Nano Banana官方保姆级开发教程，代码给你喂到嘴边
谷歌为Nano Banana新模型发布官方保姆级开发教程。介绍了使用Google AI Studio免费测试方法，阐述环境准备，如获取API key、设置结算账户、安装Gen AI SDK，还展示代码实战，以及和模型沟通的技巧。
把20多种工具塞进一个搜索框！亲测「Agentic Search」后，我关掉了几十个浏览器标签页
秘塔AI推出Agentic Search，是“边想边搜，边搜边做”新搜索方式，能自主完成多步工具调用。作者测试其为AI笔记应用策划预热活动等场景，还测市场分析、编程学习、新媒体运营场景，虽有不足但未来可期。
LLM 语境下，「持续学习」是否是 「记忆」 问题的最优解？
本期通讯解读 3 个 AI 业内要事，包括谷歌嵌套学习范式引争议、AI 产品记忆方向探讨、英伟达合成数据等。谷歌 NL 范式想规避遗忘问题，测试中 HOPE 表现优，但也遭质疑，当前 LLM 研究更关注改善记忆。
谷歌约战，DeepSeek、Kimi都要上，首届大模型对抗赛明天开战
太平洋时间8月5 - 7日，8款前沿AI模型将在Kaggle Game Arena展开为期3天的国际象棋比赛，参赛方都是AI界顶流。谷歌称现有基准测试难跟上模型发展，这场比赛是探索新评估方法。赛制为单败淘汰制。
Memento-Skills VS OpenClaw 不改模型也能进化
Memento - Skills让AI Agent自己设计自己，通过部署时学习进化，不动模型参数，将经验写进技能库。经测试，在HLE和GAIA基准测试中准确率大幅提升，与OpenClaw等定位不同，有多种部署方式，不绑定模型。
阿联酋K2横空出世，数学、代码样样行，速度全球最快，GPT-4看了都得抖三抖
阿联酋穆罕默德·本·扎耶德人工智能大学与G42公司联合推出开源AI推理系统K2 Think，基于Qwen 2.5 - 32B模型。它靠六项技术性能出众，在多领域测试成绩好，还以小参数量媲美大模型，且全面开源。
Claude 通过率不到 4%，SaaS-Bench 撕碎了 Computer-Use 的「全自动办公」幻想
UniPat AI用SaaS - Bench测试，让Agent在真实工作环境中执行任务。结果显示，Claude Opus 4.7端到端完全通过分数仅3.8%，多数模型表现差，还暴露Agent四种致命缺陷，揭示其与真实工作能力有巨大鸿沟。
小模型大作为！微博的VibeThinker-1.5B超越DeepSeek R1等头部大模型
近年来，“参数越大，能力越强”成行业共识，但带来成本高和资源集中问题。微博AI团队开发的VibeThinker - 1.5B用1.5亿参数和低训练成本，在多项测试中超越头部大模型，还提出SSP框架和MGPO算法。
Claude 4发布：最强AI编程模型+最强AI Agent基建！
Google I/O大会后一天，Anthropic凌晨发布Claude Sonnet 4和Claude Opus 4。Claude Opus 4是“世界上最好的编程模型”，Claude Sonnet 4适合日常编程。此次更新有四大核心改进，聚焦开发者。还介绍了工作模式、定价等。
我的AI订阅
作者分享四个AI订阅，介绍GitHub Copilot Pro+能在OpenCode调用模型，Perplexity Max准确性强、功能多，Grok多Agent编排出色，Gemini生态整合佳，还提及各产品优缺点及订阅费用。