「AI测试集」共找到 10746 篇相关文章
智谱AI、清华开源新视觉大模型：刷新41项纪录，同级别最强
智谱AI与清华联合开源GLM - 4.5V视觉大模型，它基于GLM - 4.5 - Air开发，架构独特。在42项主流测试中创41项新纪录，多领域表现超Qwen2.5 - VL等模型，还采用新训练策略。
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
AI 终于能"玩手机"了：Mobile MCP 让大模型直接操控你的 iOS 和 Android
Mobile MCP 是开源 MCP Server，让支持 MCP 协议的 AI 客户端操控 iOS 和 Android 设备，通过自然语言指令完成操作，解锁自动化测试等场景，但成功率有待提升，目前更适合探索性测试等。
直播预约 | Recursive Self-Improvement：当AI开始进化AI
2026年AI已能在无人类干预下自我进化。6月24日19:00 - 21:00，机器之心联合黄大年茶思屋举办直播，汇聚仉尚航等专家，呈现“AI如何自我超越”的技术路线与未来图景。
全球AI失业大逃杀：25年已裁94000人！微软高管：被裁可用AI管理情绪
2025年才过一半，全美科技行业已有94000人被裁，微软又裁9000人，Xbox高管竟建议被裁员工用AI疗伤。各科技公司为配合AI战略调整劳动力结构，多岗位面临被AI取代风险。
让 AI 自己做增长：基于OPC和Harness思想的自主增长系统探索
文章围绕让AI自主做增长，基于OPC和Harness思想构建自主增长系统展开。介绍了系统背景、做法、多Agent架构落地方案，还提及踩坑问题、解决方案及对未来的思考，如完善数据集、探索OPC + AI Agent模式。
马斯克Grok-4卖货创收碾压GPT-5！AI卖货排行榜曝光，AGI的尽头是卖薯片？
新智元报道，「Vending Bench」榜单让大模型经营自动售货机一较高下。Grok - 4卖货能力超GPT - 5，销量约高2倍，营收增31%。此测试揭示AI长周期决策挑战，引发AGI定义讨论。
李建忠对话 KK 凯文.凯利：通用智能是个伪命题，AI 不应该模仿人类 | AI 进化论
CSDN策划的“AI进化论”直播栏目，超50万人观看。李建忠与凯文·凯利跨洋对谈，涉及人机交互、智能路线等十大话题。凯利观点犀利，如认为通用智能是伪命题，AI创造力是“异人”的，科技巨头难在AI时代保持主导等。
Sora 2数手指翻车，奥特曼成第一批「受害者」，被AI玩成最惨打工人
Sora 2虽强大，但数手指测试翻车，模拟场景也有瑕疵。奥特曼成其首批“受害者”，AI生成视频将他玩坏。同时，OpenAI研究员对Sora应用发布存担忧，而奥特曼解释资金投入原因。
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。