「测试全流程」共找到 3880 篇相关文章
GLM-5.2真正的跨越：CritPt密闭物理数据集测试得分20.9%，打平Opus-4.8
GLM - 5.2在CritPt密闭物理数据集测试中表现亮眼，与Claude Opus 4.8得分并列，远超其他开源模型，还击败多款闭源模型，实现4.5倍代际飞跃，标志开源模型科学推理能力进步。
打穿 AI 智商测试！GPT-6 Astra 的符号世界模型，是突破还是钞能力刷分？
OpenAI的GPT-6 Astra亮相，在ARC - AGI - 3测试成绩逼近100%，远超GPT - 5.6 Sol。它生成的符号世界模型被认为是AI迈向高级推理必经之路。不过出题人指出其靠Harness加持，离AGI还远。
超越Claude 3.5和o1！8B模型靠「分层投票+测试时训练」逆袭
近日MIT研究者发现测试时训练在大模型应对复杂推理问题时，能分解任务提升回答准确率。8B的lemma3模型经此方法，在ARC和BBH数据集上性能显著提升，超Claude 3.5等。但该策略部署效率低。
上海AI实验室发布『书生』具身全栈引擎，推动机器人大脑进入量产时代 | WAIC 2025
上海AI实验室发布『书生』具身全栈引擎Intern - Robotics并开放，它有一脑多形、虚实贯通、训测一体等创新。还启动‘具身智能光合计划’，15家企业机构已加入，助力解决行业难题，推动具身大脑量产。
RL训练一层就够了！单层RL超越全参数训练，跨任务跨模型跨算法全部验证
明尼苏达大学、北大和亚马逊团队研究发现，RL收益集中在中间层，训练单层可超全参数训练。他们提出层贡献度指标，经多模型、算法、任务实验验证，还给出三种训练优化策略。
AI看图一本正经胡说八道？「一拉一推」让模型看得全又准｜微软x清华
随着视觉 - 语言模型（VLM）推理能力增强，‘看错’问题凸显。现有方法有局限，微软亚洲研究院与清华提出BiPS，从训练阶段重塑模型‘看图方式’，通过‘一拉一推’机制让模型‘看全又准’，实验效果显著。
代季峰陈天桥联手AGI首秀炸场！最强开源深度研究模型，GAIA测试82.4分超OpenAI
MiroMind ODR是代季峰加盟陈天桥后的技术首秀，GAIA测试82.4分超OpenAI。它全开源可复现，包括MiroFlow、MiroThinker等四个子项目。团队还曾推出MiroMind - M1，专注提升数学推理能力。
Google全链路赋能出海：3人团队调度千个智能体，可成独角兽｜MEET2026
在量子位MEET2026大会上，Google Cloud大中华区负责人Dennis Yue称智能体为初创出海注入新内涵。谷歌推一体化方案全链路赋能，还谈到Gemini 3突破、A2A协议及商业模式转变等。
Github 3.6k star，爆火开源「小红书 MCP」：一键登录、图文发布、搜索、评论全搞定
`xiaohongshu-mcp`把浏览器手工步骤封装成可编排工具，以Go编写，能在无头/有界面模式间切换。它解决小红书运营多痛点，如登录不稳、发帖链路长等，覆盖登录、发帖等全链路，适配多客户端，值得收藏上手。
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。