「测试工具」共找到 3441 篇相关文章
Knowledge还是Reasoning？具体分析LLM答案正确，不代表思考过程靠谱的问题
斯坦福/加州大学团队指出大模型答案正确不代表思考过程靠谱，传统评估忽略思考路径问题。团队提出双维度评估框架，透视模型思考过程，还测试发现不同领域决胜关键、最佳训练法不同，且框架正解锁新场景。
AI七个月突破数学家“围剿”反超人类！14位数学家深挖原始推理token：不靠死记硬背靠直觉
大模型o3 - mini - high在7个月内，于FrontierMath基准测试中，答题得分从2%提升到22%，超人类团队平均水平。数学家分析其推理记录，发现它靠直觉而非死记硬背解题，但也存在缺乏创造力等局限。
时隔一年，再次使用7个国产AI大模型写高考作文，国产模型的进步也太大了！有彩蛋。
去年评测国产模型写高考作文能力时，各模型问题不少，如用词重复、字数不足。今年再次测试7个国产模型，能力有指数级提升，文采惊人，扣题方面通义千问和文心一言表现出色。文末还有海外模型“翻车”彩蛋。
对普通人最有用的一次！藏师傅教你用FLUX Kontext解决一切图片问题
黑森林工作室发布生成式流匹配模型 FLUX Kontext，它能编辑图片且不影响未编辑区域，支持多图参考生成新图像。可用于去水印、修复照片、修改海报、生成商品展示图等，还能美颜美体，替代 PS 等工具。
真6，上线几天，轻松斩获10k，首款开源通用AI智能体Suna：一句话自动处理Excel/爬数据/写报告，程序员私人助理诞生！
Suna是Kortix推出的全球首个开源通用型AI Agent，核心突破是“执行力”，能像人类员工操作数字工具。它开源透明，是全能数字员工，已落地多场景，有五大核心功能。还给出部署方法和同类对比。
如果海外EDA断供，国产EDA公司能支棱起来吗
文章分析了EDA行业及国产EDA覆盖情况。全球三大家EDA公司处于垄断地位，EDA市场规模小，容纳公司有限。国产EDA公司数量多但有差距，部分工具可用但仍需打磨，国产EDA发展道路艰难但要坚持。
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% | 清华腾讯斯坦福联合
清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。
Agent也能蒸馏了！性能超好
大模型运行成本高，普通用户用不起。传统小模型模仿大模型解题步骤易出错。论文提出Agent蒸馏，让小模型学会用检索和代码工具，还加首思前缀与自我纠错“外挂”，使小模型性能直逼大模型。
大模型全面爆发，所有榜一都是Gemini！谷歌一夜站到了台前
北京时间今日凌晨，Google I/O 2025 开发者大会开启。谷歌发布或升级系列 AI 工具与服务，如升级 Gemini 模型、推出编程智能体 Jules 等，还展示视频图像生成模型、搜索与购物模式升级，展现其在 AI 应用领域强势回归。
一手实测深夜发布的世界首个设计Agent - Lovart。
博主实测深夜发布的世界首个设计 Agent - Lovart。虽内测版细节粗糙，但大框架已现。它先匹配设计风格，再创建执行计划，还支持二次编辑等，集成多工具可生成视频等，未来或重写设计工作流。