「评测成绩」共找到 867 篇相关文章
GPT-6 Astra：欢迎来到 AGI 时代。
OpenAI 发布 GPT - 6 Astra，总裁称开启 AGI 时代。演示视频展示其强大并行处理能力，跑分有争议，成绩不一。它有诸多成果和安全表现，也有可监控性降低问题，发布过程却状况百出。
全球最大AI榜单塌房！52%高分答案全是胡扯，硅谷大厂集体造假？
2025年底，《LMArena is a cancer on AI》一文引发关注，其指出LMArena这个权威大模型评测平台问题严重。Surge AI调查发现，52%获胜回答事实错误，39%投票结果与事实相悖，Meta还曾为榜单优化模型。
Generalist爆火背后：具身智能真正的竞争，已不在模型
Generalist AI发布的GEN - 1模型引爆具身智能领域，其多项指标出色，预示具身智能竞争从模型层转向基础设施层。行业关注焦点转移，数据正从‘静态数据集’演进为‘动态教育系统’，评测与仿真基础设施成关键。
何恺明带大二本科生颠覆扩散图像生成：扔掉多步采样和潜空间，一步像素直出
何恺明团队提出新方法Pixel Mean Flow（pMF），突破传统扩散模型/流模型限制，砍掉多步采样和潜空间，一步在像素空间生成图像，在ImageNet不同分辨率上取得佳成绩，还介绍了核心设计、实验结果对比等。
真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge
Scale AI发布首个原生音频多轮对话基准Audio MultiChallenge，撕开大模型靠合成语音评测维持的假象。实验显示，Gemini 3 Pro等模型在真实场景表现不佳，还揭示了模型在语音交互中的三大失败模式。
让OpenAI只领先5天，百川发布推理新模型，掀翻医疗垂域开源天花板
百川智能发布医疗推理大模型Baichuan - M2 - 32B，在OpenAI的Healthbench评测集上超越刚发布5天的gpt - oss - 120b，领先多数前沿模型，支持RTX4090单卡部署，还首创患者模拟器和Verifier系统。
OpenAI惊人自曝：GPT-5真「降智」了！但重现「神之一手」，剑指代码王座
GPT-5发布后引发热议，其IQ测试成绩不佳遭吐槽，但实际是「路由」问题。解锁神级GPT-5关键在prompt，医学家借它重现「神之一手」。它编程能力强，挑战Anthropic，还推动AI向「智能体式推理」发展。
爆火的腾讯WorkBuddy发了篇论文，公开了自家底牌
腾讯 WorkBuddy 团队将内部模型选型评测等开源成 Benchmark，公开多模型 Agent 工作台选型底牌。Bench 优点是任务分布真实且开源可审计，论文介绍了核心方法论、四大赛道拆解、榜单结果，还对比了现有工作。
看完最新国产AI写的公众号文章，我慌了！
AI 快砸作者饭碗，智谱 GLM - 4.6V 能根据 NeurIPS 2025 最佳论文生成图文并茂的公众号文章。它还能助力学生看论文、分析财报等，可复刻网站、处理视频，在多模态评测中达同级别 SOTA。
Claude Code把自己的提示词删掉80%，我照着砍了自己的60%
Anthropic将Claude Code系统提示词删减超80%，编码评测表现无明显下降。文章阐述删减背后判断，给出六条变化策略、四类文件写法及两条方法论，还介绍实施步骤，作者按此精简提示词约60%。