「独立测评」共找到 344 篇相关文章
刚刚，AI科学家Zochi在ACL「博士毕业」，Beta测试今日上线
Intology宣布AI科学家Zochi论文被顶会ACL主会录用，成首个独立通过A*级别会议同行评审的AI系统，还开放Beta测试。其研究成果显示语言模型安全措施或有不足，Zochi工作成果多且质量高。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
突发！OpenAI以64亿美元，收购iPhone设计师公司io
今天凌晨1点CNBC消息，OpenAI将以64亿美元全资收购前苹果iPhone设计师乔尼・艾维的AI设备初创公司io，推动其进军硬件领域。艾维将承担深度创意与设计职责，其创意团队Love From保持独立。
颜水成领衔，给AI分段位！超100款多模态模型，无人达到L5
十所顶尖高校联合发布General - Level评估框架和General - Bench基准数据集，用五级分类制明确多模态通才模型能力标准。评估超100款模型，发现多数在L2 - L3，无L5模型，揭示当前模型不足。
一人公司创业，如何找对方法论、选准装备库？
AI让一人做产品更易，全国一人有限责任公司数量增长，相关服务生态成形。时踪由阿泰独立研发，从个人痛点出发做出产品，其95%云服务选阿里云。阿里云为OPC创业者提供阶段化“装备库”。
实测腾讯云 AndonQ：号称比肩原厂技术专家的 “领域虾”，到底有多能打？
文章实测腾讯云 AndonQ，它号称全球首款 ITSM“领域虾”，可适配主流“虾”类工具，集成至 IM Bot。测评显示其成本低、上手轻量，在架构选型、故障排查等场景表现出色，将 ITSM 体系浓缩到对话框。
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
GPT-5败下阵，这款中国AI拿下全球第一，众多医生已在用它做诊断
国家卫健委推进“人工智能+基层应用”，基层医生需实用AI助手。未来医生AI工作室的MedGPT在临床“安全”与“有效性”评测击败国际知名大模型夺冠，其两款助手获医生认可，被视为AI赋能基层医疗最佳实践。
Qwen紧追OpenAI开源4B端侧大模型，AIME25得分超越Claude 4 Opus
Qwen团队深夜开源两个端侧模型Qwen3 - 4B - Instruct - 2507和Qwen3 - 4B - Thinking - 2507，尺寸对端侧友好，支持256k上下文。后者在AIME25测评得分超Claude 4 Opus，两模型能力较前作均有提升。
前百川智能联创焦可新创业公司曝光，新项目已上线 App Store
前百川智能联创焦可新创业公司曝光，其推出的AI语音产品“来福”已上线App Store。该产品定位AI语音电台应用，探索声音交互场景，目前仅邀测。国内大厂未推专注AI播客独立产品。