「基准测试成本」共找到 3430 篇相关文章
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。
MiniMax Agent 开年更新，好的 AI 产品，需要让工具来适应人了
2026年初，Claude Cowork引发关注，开源社区跟进，Anthropic下调功能价格。MiniMax升级Agent，推出桌面端和网页端新功能。通过整理文件、翻译、小红书内容流水线等测试，展现其能力与局限，指出Agent应适应人的趋势。
中国科技企业出海的6条最新趋势！
作者在美国拉斯维加斯CES展及硅谷调研后，总结了AI和中国科技企业出海的6条趋势，包括Token消耗激增使自研成大势，AI提升消费电子产品溢价，软硬件边界模糊等。
抨击AI炒作、曝企业需求为先，Anthropic 联创：模型提 0.01 性能就血赚，算力烧钱但值！
Anthropic由7位前OpenAI核心成员创立，联合创始人兼总裁Daniela Amodei接受采访，谈到成本控制、AI安全及上市可能。她认为AI安全是核心优势，公司谨慎对待支出和算法效率，虽算力投入大，但硬件回报高。
VLNVerse“宇宙降临”：吴琦团队交出2025具身导航最终答卷
自2018年吴琦团队发表首篇VLN论文后，领域碎片化问题凸显。2025年末其推出全栈平台VLNVerse，涵盖场景生成、物理模拟、任务基准和通用模型，欲打通Real2Sim2Real，推动VLN向Embodied VLN跨越。
社区供稿丨以小博大！Nanbeige4-3B重磅开源：硬刚Qwen3，挑战小模型能力新高度
近年来大语言模型发展陷入‘参数军备竞赛’，成本高昂。Boss直聘南北阁实验室发布Nanbeige4 - 3B，仅30亿参数，在预训练和后训练阶段采用多种创新技术，在多方面媲美甚至超越大模型。
推理快30%，性能超过千亿参数模型，15B模型Apriel-1.6重新定义端侧推理
ServiceNow人工智能团队发布的Apriel-1.6-15b-Thinker，以150亿参数体量，多模态推理能力强，推理Token消耗降超30%。它在AI分析指数成绩佳，优化计算成本，还介绍了训练策略与多维度性能实测情况。
英伟达周末双炸！CUDA二十年最大更新，顺手屠榜AGI比赛
本周末英伟达有两大动作。一是推出CUDA 13.1，这是CUDA平台诞生二十年来最大更新，引入CUDA Tile编程模型等。二是在Kaggle ARC Prize 2025竞赛中，团队用4B小模型变体夺冠，靠合成数据等策略。
兵临OpenAI！谷歌集结2500人「复仇」，Gemini 3夺回AI王座
谷歌发布Gemini 3欲夺回AI主导权。谷歌DeepMind的CTO与AI Studio产品负责人剖析其发布盛况等，称这是与全球用户共建AGI的实验，还谈到模型发展、应用及多模态等问题，也承认仍有提升空间。
爆发力超越波士顿动力液压机器人，PHYBOT M1实现全球首次全尺寸重型电驱人形机器人完美拟人态后空翻
动易科技的全尺寸人形机器人PHYBOT M1实现全球首次全尺寸重型电驱机器人完美拟人态后空翻，其爆发力超波士顿动力Atlas。这是对其动态性能的压力测试，电驱系统也在多方面超越液压方案。