「传统软件测试」共找到 3156 篇相关文章
关于GPT-6 Astra的三条判断｜甲子光年
北京时间9月4日凌晨，OpenAI发布GPT-6 Astra，演示其多种能力。「甲子光年」判断：GUI没消亡，是软件兼容层；Astra会“吞噬”App入口；传统Benchmark难描述Agent，任务闭环成关键。
字节发布全球首个预测未来基准FutureX，Grok-4 拿下冠军
字节跳动发布全球首个实时未来预测基准测试FutureX，杜绝模型作弊。在25个模型评测中，Grok - 4夺冠。它从多网站构建问题，分四级难度。人类专家在部分等级仍领先AI 。
中科院开源PPT Agent，一键自动生成PPT智能体
中科院软件所等联合开源PPT Agent，它能分析参考幻灯片，按人类流程分两阶段生成PPT，有自我修正功能，测试显示在多维度优于现有方法，极大节省用户时间精力。
VLA大模型做长任务总断片？同济KC-VLA用关键帧链给治好了
VLA大模型记性是短板，处理非马尔可夫任务常束手无策。同济大学等提出KC - VLA框架，用关键帧链接赋予机器人全局时间感知能力，还构建了长时序记忆依赖基准测试，实验显示其性能优越。
AI智能体也有「蜘蛛感应」，防御延时骤降至8.3%
传统Agent防御机制易致延时积累，研究者联合推出Spider - Sense智能体防御框架，利用两大核心技术将防御延时从200% + 降至8.3%，在主流数据集和新基准测试中表现优异。
两个浙大学生决定只用AI生存72小时｜甲子光年
五源资本发起“72小时AI生存挑战”，浙大学生区瀚楠、陈睿轩参与。他们在封闭房间用AI工具生存72小时，先搭建Agent购得物资，后尝试用AI赚钱未成功。此活动灵感源于99年“72小时网络生存测试”。
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
北大校友Lilian Weng出镜，爆出120亿估值首个交互模型！
北大校友Lilian Weng出镜介绍Thinking Machines的交互模型，此模型200毫秒神同步，能感知协作。该公司此前获20亿美元种子轮融资，估值达120亿美元。模型打破传统交互局限，或改变人机互动方式。
先设计再写代码，还是先实现再重构？AI 编程让这种选择变的简单
传统手工编程时代，先设计再写代码和先实现再重构存在争论。AI编程让选择变简单，可先设计生成代码，再改进设计生成。还需在开发工具和流程上配合，新人更易适应。
断网解题，Claude Mythos推翻Erdős 80年猜想！比OpenAI更短更漂亮
OpenAI用125页思维链解开Erdős 80年猜想，Anthropic研究员Levent Alpoge让Mythos断网测试，找到更短更简洁路径。Mythos用数论方法打破僵局，过去一周OpenAI、DeepMind、Anthropic分别攻克相关难题。