「基准测试平台」共找到 3278 篇相关文章
横扫八大数学竞赛：清华微软联合提出STAR-PólyaMath，Apex基准超GPT-5.5 13.5%
清华大学与微软亚洲研究院团队提出推理多智能体系统 STAR - PólyaMath，构建探索 - 推理 - 验证框架，解决大模型长程数学推理瓶颈，在八大数学竞赛基准获最优成绩，还可泛化到其他推理场景。
GPT-5.2发布即降智？背后华人被挖出，清北校友核心贡献
OpenAI发布GPT - 5.2，官方称其基准测试碾压Gemini 3 Pro，擅长完成有经济价值任务。但发布后实测有翻车情况，也有提前测试者称其很强。此外，背后多位核心贡献者为华人，如北大校友Yu Bai等。
68页论文再锤大模型竞技场！Llama4发布前私下测试27个版本，只取最佳成绩
《排行榜幻觉》论文指出Chatbot Arena存在问题，如少数大厂私下多版本测试选最优、数据访问不平等、用Arena数据训练可提性能、模型被大量静默弃用等，研究团队给出改进建议，官方也进行了回应。
斯坦福英伟达推出测试时强化学习：微调开源模型胜过顶级闭源模型，仅需几百美元
斯坦福、英伟达等提出TTT - Discover方法，基于开源模型gpt - oss - 120b，在测试阶段引入强化学习更新模型权重。它采用熵目标函数和PUCT启发机制，解决分布外问题，成本低且表现优，但目前适用于连续奖励场景。
不吹不黑，GPT-5代码能力究竟怎么样？跟 Gemini 和 Claude 的对比测试给你答案
作者测试了 GPT-5 的代码能力，并与 Gemini 和 Claude 对比。在不同代码任务中，各模型表现不同。如在生成网页任务里，GPT-5 部分结果不错，但受 32K 上下文限制，长文本处理不如 Gemini，硬实力也不如 Claude。
多模态大模型理解物理工具吗？PhysToolBench提出了衡量多模态大模型对物理工具理解的基准
香港科技大学等团队提出 PhysToolBench，用于衡量多模态大模型对物理工具的理解。它将理解分为三个等级，测试 32 个模型，揭示了大模型在工具理解上的不足，也为未来发展指明方向。
4K Star的多人 Agent 协作平台 Multica！Agent即队友，可像同事一样被指派、被追踪！
当前多 Agent 协同缺乏统一管理和经验沉淀，GitHub 开源的 Multica 平台解决了这一问题。它把编码 Agent 变成队友，自动化处理任务，支持多 Agent 后端，有多种功能特性，提供云服务和自托管两种使用方式。
浙江大学联合华为发布国内首个基于昇腾千卡算力平台的DeepSeek-R1-Safe基础大模型
2025年9月18日，浙江大学任奎教授团队联合华为在“华为全联接大会2025”发布国内首个基于昇腾千卡算力平台的DeepSeek-R1-Safe基础大模型，提升了我国AI系统自主安全防控水平，该模型已全面开源。
5700问答对全面评估拷问AI空间感！最新空间智能评测基准来了丨浙大&成电&港中文
当前视觉语言大模型空间信息学习片段化，缺乏多维度空间推理能力。浙大、成电和港中文团队提出ViewSpatial - Bench基准体系，评估主流模型，揭示其缺陷，并开发MVSM优化跨视角空间理解。
这款拿下 10k+ Star 的开源 LLM DevOps 平台，如何帮企业“批量孵化”AI 应用？——BISHENG 深度上手
BISHENG 是面向企业级场景的开源 LLM 应用 DevOps 平台，支持 GenAI 工作流等完整能力，已在众多头部组织落地。它围绕企业痛点搭建，有灵思 Agent、可视化工作流编排等亮点，适用于多场景。