「HLL 评测基准」共找到 1324 篇相关文章
混元开源PhoneBuddy-4B与5篇系列论文：多项手机Agent真机评测超过GPT-5.4
腾讯混元Phone - use Agent团队发布PhoneBuddy - 4B及5篇系列论文。研究探讨如何训练真实可用的Phone - use Agent，采用Real + Mock方式，实验显示该方法提升效果显著，4B模型多项任务超GPT - 5.4。
面向6G环境感知通信！西电开源3Dx3D无线电地图数据集与生成式基准框架
面向6G，西安电子科技大学等团队联合提出高分辨率多模态三维无线电图谱数据集UrbanRadio3D，构建三维无线电图生成框架RadioDiff-3D，弥补了当前主流RM构建方法与数据集的局限。
EMNLP25 | 北大x腾讯光子发布 C3 Benchmark：中英双语语音对话模型“地狱级”测试基准，直击语音对话模型软肋！
近年来语音对话模型受关注，但处理人类对话复杂现象的效能缺乏研究。北大联合腾讯光子构建中英双语C3 Benchmark数据集，评估模型应对复杂对话的能力，结果揭示性能瓶颈，为模型优化提供参考，代码和数据已开源。
Qwen 3-235B Aider编程能力击败Claude3.7，成本便宜百倍
Qwen3-235B-A22B在Aider多语言编码基准初步测试中击败Sonnet 3.7 Thinking和OpenAI o1，成本便宜150到600倍。Qwen3-32B准确率超GPT-4.5和GPT-4o ，代码编辑格式正确率达100%。
单卡搞定万帧视频理解！智源研究院开源轻量级超长视频理解模型Video-XL-2
智源研究院联合上海交通大学等机构发布新一代超长视频理解模型Video-XL-2。它单卡能处理万帧视频，编码2048帧仅需12秒，在效果、长度和速度上全面优化，已开放模型权重。
GPT-5或马上现身，神秘Repo出现了其踪迹
OpenAI新推理模型在奥赛夺冠，有人猜测是即将发布的GPT - 5，Sam Altman部分印证，还曾有人在biosec基准库发现其踪迹，但repo已不可见。
DeepSeek|从零构建轻量级vLLM：Nano-vLLM，吞吐量逼近原版，代码仅需1200行
开源的vLLM能提升LLM推理速度和资源利用率。近日，DeepSeek AI俞星凯从零构建轻量级Nano - vLLM，代码仅1200行。它有离线推理等功能，基准测试显示吞吐量逼近原版。
图像、视频一模搞定！字节全能原生多模态本地可部署
字节开源原生多模态模型Lance，仅3B激活参数，40G显存就能跑，已登顶huggingface趋势榜。它能进行图像与视频的理解、生成、编辑等操作，在多个基准测试中表现优异，多项性能居首。
Anthropic 发文称自家 Claude 已经开智，网友：为了上市，不择手段？
Anthropic发布Claude内部机制新研究，介绍J-space和J-lens，称可读取模型未输出的内部概念。此研究在训练、评测和部署有潜在价值，但叙事引发争议，网友质疑是否过度包装。
用3D几何先验驱动视频扩散，实现更一致的世界生成
视频扩散模型生成新视角视频时，现有方法缺显式3D结构。智象未来提出DreamWorld，用3D先验与两阶段框架，结合结构和生成能力，在多基准测试表现领先。