「测试工具」共找到 3407 篇相关文章
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
Anthropic 公布 Claude Code 黑客松六强作品，来自医生、老师、木匠的儿子……
Anthropic公布Claude Code黑客松六强作品，包括虚拟诊室、电路板维修工具、编程教学平台等。这些项目来自不同职业背景的人，用Opus 4.7 + Claude Code完成，将专业知识转化为工具，传承人类经验。
狂揽24k+ star，Web 开发效率快5倍！
传统浏览器调试工具操作繁琐、效率低，难以满足开发者需求。开源工具`Responsively App`基于Electron构建，可同时展示多设备视图，有交互同步等功能，获24k+ star，支持多系统，安装便捷。
AI编程界炸出新黑马！吊打Cursor、叫板Claude Code，工程师曝：逆袭全靠AI自己死磕
近期，AI编程黑马AmpCode崛起，与Claude Code并列S级，吊打Cursor。Sourcegraph工程师分享其研发理念，认为应放权给模型。此外，还探讨了企业对AI工具的分歧、编程工具变革及AI对开源的影响。
多模态模型具备“物理推理能力”了吗？新基准揭示：表现最好的GPT-o4 mini也远不及人类！
来自多机构研究人员构建PhyX基准测试，评估多模态模型物理推理能力。测试显示，即便表现最佳的GPT - o4 mini准确率仅45.8%，远不及人类的75.6%，且模型在多方面存在结构性缺陷。
GitHub MCP 注册中心提供了一个发现和部署 MCP 服务器的中心枢纽
GitHub 推出 MCP 注册中心，旨在帮开发者发现和使用 AI 工具，简化 AI agent 连外部工具的过程。它列出 40 多个 MCP 服务器，还展示受欢迎程度。此外，Docker、Postman 等也有相关目录。
刚刚，GPT-6正式发布！OpenAI：欢迎来到AGI时代
OpenAI正式发布GPT - 6 Astra和GPT - 6 Astra Pro，宣布AGI时代开幕。该模型训练规模大，能力升级显著，价格公布。基准测试成绩优异，在多方面表现突出，还展示诸多实际应用案例，已有企业开始测试。
不让“猪队友”拖后腿！哈深新作 AgentDropoutV2，专治多智能体“传话游戏”翻车现场
多智能体系统中，常有agent出错带偏整体。哈工大联合阿里提出AgentDropoutV2，测试时介入，设‘质检员’审核输出，结合失败案例构建‘避坑指南’，在多测试中显著提效，泛化性强。
OpenAI深夜放出GPT-5狙击谷歌！基准测试碾压前代模型，价格比Claude更便宜
北京时间8月8日凌晨，OpenAI推出GPT - 5，宣称其更智能、准确，幻觉率低。还推两款新模型，介绍了不同用户套餐。它在编程基准测试表现佳，健康领域能力突出，引发各界热议。
图像编辑模型不止生成：BIGAI&上交大提出EAR范式，系统测试其视觉规划能力
上海交通大学联合北京通用人工智能研究院提出EAR范式，构建AMAZE基准，分析图像编辑模型视觉推理能力。研究发现模型零样本表现弱，扩散式模型更适合视觉规划，CoT效果不稳定等。