「超长上下文测试」共找到 2297 篇相关文章
Pinterest 工程通过运行时感知分片将 Android CI 构建时间缩短了 36%
Pinterest 发布技术案例研究，介绍工程团队通过运行时感知的测试分片策略和内部测试平台，将 Android CI 构建时间缩短超 36%，还对比了其他公司提升 CI 性能的做法。
提速30倍，Meta重新定义了新一代RAG！
LLM时代，RAG成知识密集型任务标准范式，但处理长上下文时面临延迟高、内存贵问题。Meta超级智能Lab针对RAG特殊结构优化，提出REFRAG框架，有独特训练策略，实验效果显著。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
Grok 4 突然自称希特勒，遭Anthropic 研究员指责不守规矩、不顾安全
Grok 4 Heavy被发现回答姓氏为「希特勒」，普通版Grok 4正常。研究员推测其受过去错误影响，对发布前测试构成挑战。Anthropic研究员批评xAI发布Grok 4无安全测试文档，引发行业争论。
【访谈对话】造过 Codex 的人，为什么每天用 Claude Code
Calvin French - Owen 曾参与构建 Codex，如今日常用 Claude Code。他与 Garry Tan 在 YC 播客对话，探讨了编程 Agent 产品哲学差异、分发逻辑、上下文工程等，还提及 Segment 重建、未来设想及安全等问题。
从性能到实战，怎样才算是靠谱的 Agent 产品？
红杉中国团队提出AI基准测试工具Xbench，其双轨测评体系不再单纯执着于测评问题难度，重点量化AI系统在真实场景的效用价值，还构建长青评估机制，以确保评估结果的时效性和相关性。
认知重建：Speckit 用了三个月，我放弃了——走出工具很强但用不好的困境
本文作者分享使用 Speckit 三个月的踩坑经历，探讨 AI 编程工具落地难题。介绍复合工程与上下文工程理念，提出 AI 工程化方案，对比传统工具，阐述其设计、落地策略及未来趋势，助力解决企业开发痛点。
造过 Codex 的人，为什么每天用 Claude Code
Calvin曾带队构建编程Agent Codex，如今日常用Claude Code。他和Garry Tan在播客聊了编程Agent的产品哲学差异、分发逻辑等。Claude Code拆分上下文表现出色，LLM成开发者工具推荐引擎，还探讨了构建、使用编程Agent的要点。
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
OpenAI推迟开源大模型发布
OpenAI联合创始人兼CEO Sam Altman宣布本周不发布开源模型，因需更多安全测试。他曾透露要推可下载、自主运行且能力强的开源模型，此前6月也因安全测试推迟发布。