「基准测试成本」共找到 3433 篇相关文章
TACL 综述 | 别只卷架构了——长文本模型的能力天花板，其实是数据决定的
该 TACL 综述首次从数据视角审视长上下文语言模型，指出长上下文能力本质是数据驱动。它建立分类体系，明确高质量长文数据条件，给出核心能力的数据配方与评估法，还整理数据集和基准，提出待解问题。
DeepSeek，Qwen，Grok组团发布，社区一手实测
LLM大爆发，一天内推出Grok 4.6、Qwen3.8 - Max、DeepSeek - V4 - Pro - 0813三款前沿产品。社区对它们进行多场景测试，如3D场景、Flappy游戏、飞机滑行动画等，并对比了不同模型的性能、价格和输出质量。
混元 Hy3 发布：99% 的任务，够用了
腾讯混元模型 Hy3 正式上线，免费使用两周。它是快慢思考融合的 MoE 模型，主打 Coding 和 Agent 场景，性价比高。作者用它做了多项测试，如制作 PPT、开发代码、舆情分析等，还与 GLM - 5.1 对决，表现不错。
伏曦量子完成天使及天使+轮融资，五源资本、启盈同创等跟投
近日，伏曦量子宣布完成天使及天使+轮融资，由全球动力电池行业龙头领投，多家机构跟投。该公司由赵琦博士创立，定位是帮助产业客户理解和使用量子算力，其核心价值是优化算法，让问题可在近期硬件测试。
Harness 工程实践复盘：100% Cache 命中的 Agent 怎么设计？
本文是 ClackyAI 团队在 Harness 工程实践上的复盘。他们经两代失败后用 Ruby 重写第三代 OpenClacky，总结影响成本和效果的 7 个关键决策，如双 Cache 标记、System Prompt 字节冻结等，凸显 Harness 工程对 Agent 产品的重要性。
当200位具身从业者被拉进同一个屋子
量子位等联合发起沙龙，近200位具身从业者探讨具身智能从实验室走进物理世界的问题。乐聚工程师指出具身数据瓶颈，蚂蚁灵波郑可成介绍模型，上海交大李永露分享评测基准，圆桌对话探讨数据挑战与破局路径。
不换GPU，性能飙升2.8倍！英伟达用软件暴打摩尔定律
2026年1月8日，英伟达官网披露，基于Blackwell架构的推理软件栈升级，让混合专家模型（MoE）推理效率迎「阶跃式」突破，单GPU吞吐飙升2.8倍，显著降低推理成本。其通过软件针对性升级发挥硬件潜力，还进行多项优化。
打工人五一自救指南：把活全甩给AI，准备免打扰出门
五一将至，为避免假期工作内耗，可安装百度智能云打造的AI助手DuMate。它支持多模态理解与生成，能跨应用完成复杂任务。经测试，它可高效处理整理文件、生成报告等工作，还能并行处理多项任务。
GPT-5.5好到不敢睡觉，奥特曼连夜写下五大宣言！
GPT-5.5代号「Spud」，在多项测试中表现出色，开发者实测反馈良好。奥特曼在GPT-5.5发布且口碑好时，写下AI五大原则，称AI要民主化、赋能等，还暗示政府需考虑新经济模式应对AI影响。
最强协作模型？MiniMax M2.7 实测：AI开始更会合作了 | Claude Teams
MiniMax M2.7模型发布，强调模型自我进化、Agent Harness和Agent Teams。它能构建复杂Agent Harness，完成高难度生产力任务。其能力达国际一线水平，在多测试中成绩优异。还介绍了Harness、Agent Teams等概念及应用场景。