「测试全流程」共找到 3937 篇相关文章
我让10个大模型又参加了完整版数学高考，第一名居然是它。。。
作者让10个大模型参加完整版数学高考，单独制定规则，邀朋友协助测试。结果令人意外，单选题第6题成噩梦，多模态题大模型几乎全军覆没。讯飞星火和豆包145分并列第一，Qwen3屈居第三。
Liblib AI上线Kontext，门槛大幅降低！藏师傅手把手教你用它解决图片问题
FLUX的Kontext是强大的图像编辑应用，除不能写中文外近乎全能。Liblib AI上线FLUX Kontext，支持Web UI和Comfyui，无需本地跑Comfyui，还能结合Liblib生态处理图片。作者给出保姆级使用教程。
作业帮基础观测能力之一监控体系实践
本文介绍作业帮监控体系实践。其监控体系随云原生成长，支持全集群监控。构建时选 Prometheus 采集、VictoriaMetrics 存储，还从多维度采集指标，用自研代理降成本、治理指标，让系统更贴合研发。
OpenAI没做到，DeepSeek搞定了！开源引爆推理革命
文章围绕大语言模型推理能力展开，介绍了推理模型概念，回顾RLHF训练流程，对比OpenAI的PPO和DeepSeek的GRPO，还阐述了GRPO开源升级版DAPO的关键技术点及训练中模型的新能力。
LLM又曝致命缺陷：根本不会看时钟！博士惊呆，准确率不及50%
最新研究揭示AI存在认知缺陷，读取时钟准确率仅38.7%，判断日历日期准确率26.3%。研究者构建测试集考察MLLM能力，虽部分模型有亮点，但整体表现不佳，凸显训练数据和推理方式改进需求。
Claude有意识了？科学家首次挖出关键拼图，还能伸手改它的念头
本文报道Anthropic最新研究，团队在Claude大模型中发现自发形成的J-space区域，匹配意识研究的全局工作空间理论，人类可直接读取、修改AI未输出的内部想法，揭示了现有AI对齐评测的重大漏洞，为AI意识研究提供了工程化路径。
Arc研究所造出能“举一反三”的虚拟细胞模型，破解跨细胞预测难题
生物学和药物研发中，因细胞组合庞大，难以全实验验证，且同药在不同细胞效果不同。Arc Institute 团队推出虚拟细胞模型 STATE 及评测套件 Cell - Eval，STATE 预测效果优，但也存在短板。
全球首个通用决策大模型，AI推演现实世界的技术揭秘
中科闻歌决策机Decitron被称为「全球首个通用决策大模型」，它将不同能力统一到开放世界决策框架，形成闭环。8月3日其技术报告发布，公开三项核心技术，还介绍了推演流程和实验验证情况。
用Codex做跨境电商：第十章
第九章用虚构材料完成示范测试，表明工作流可在当前项目运行，但他人使用存问题。本章讲把工作流变成资产，使其具备复用和交接价值，还以Pilates环德国站上架为例说明操作步骤。
Claude Fable 5.1 发布：缓存读降价 75%，但实际更贵了
Anthropic 发布 Claude Fable 5.1 和 Mythos 5.1。Fable 5.1 性能全面上涨，但出现价格悖论，缓存读降价 75% 实际更贵。在 Agent 类任务与 Opus 5 基本持平，推出 EFS 应对数据留存争议，还有多项科研演示。