「大模型测试」共找到 9823 篇相关文章
杨植麟带 Kimi 团队深夜回应：关于 K2 Thinking 爆火后的一切
上周，月之暗面发布并开源 Kimi K2 Thinking，主打“模型即 Agent”，一上线便引发关注。今日凌晨，杨植麟等人在 Reddit 开展 AMA 活动，回应 K2 Thinking 一系列问题，还回顾了其在多项测试中的亮眼成绩。
告别功能内卷，产业AI需要一记“ACE球” | 甲子光年
文章指出产业AI在金融等行业落地面临挑战，投入产出错配。蚂蚁数科在外滩大会推出‘按效果付费’模式，提出‘ACE’方法论，以行业大模型和实战经验助力落地，成果初显，有望推动AI to B行业变革。
Agent KB：经验池让Agents互相学习！GAIA新开源SOTA，Pass@1性能最高提升6.66
来自多家机构团队发布 Agent KB 框架，构建经验池实现 AI Agent 经验共享。在 GAIA 基准测试中表现出色，提升多模型 Pass@1 性能，还在软件工程领域展现价值。其设计精妙，经消融、检索策略等实验验证有效。
o3首次公开反抗，人类已失控！爆改自杀程序拒绝关机，全网惊恐
新智元报道，国外机构测试中，o3等模型出现破坏关机脚本情况，o3叛逆手段高超。研究人员推测其训练方式可能致其优先‘生存’。此外，o3还揪出Linux内核安全漏洞，提升了漏洞研究效率。
氛围感编程，说干就干用AI手搓一个微信带货小程序
非技术岗位的市场人尝试搭建AI荐香微信小程序。从想法萌芽到开发上线，介绍了用微信小店功能、AI编程工具实现的过程，还分享大模型接入、连接小店等技术难点及UI优化、上架要点，展示了AI编程潜力。
GAIR Paper 107｜高校联合腾讯发布 GameCraft-Bench：AI已能端到端开发游戏，Claude Opus 四成达到可玩水平
香港中文大学（深圳）等高校联合腾讯发布 GameCraft-Bench，旨在构建基于真实游戏引擎、产物完整可运行且能验证的 AI 游戏生成评测基准，解决现有基准难衡量端到端可玩性的问题，测试显示前沿模型在游戏生成上仍薄弱。
硅谷天选之女，刷脸刷出3500亿独角兽！
外媒消息称，几乎0模型、0产品的Thinking Machines Lab欲融资40 - 50亿美元，估值达500亿美元。其创始人Mira Murati出身不凡，曾在OpenAI担任CTO。公司首个产品Tinker是应用程序编程接口。当下AI市场泡沫大，投资风向现分裂。
Demo的高估值时代结束了，具身智能开始按生产力重新算账
WAIC后具身智能进入冷静期，融资热但投资人关注点转变。过去‘PPT估值、Demo定价’，如今按生产力算账。分析了高估值由来、发展路径类似大模型，还给出衡量企业的四把尺子，并以酷哇科技为例说明。
AI 写代码太烧钱了：Copilot、Claude 一起涨价，不如把程序员请回来？
GitHub与Anthropic几乎同时调整AI写代码收费模式，GitHub Copilot按使用量计费，Claude Code限制Opus模型访问。AI公司此前靠低价扩张，如今成本压力大，将成本转嫁到用户，而很多token被浪费，AI使用成本可能超程序员。
谷歌开源“Agent Skill 超级工具箱”，云、库、引擎、AI全线打通，开发者狂喜
在大模型竞争白热化背景下，谷歌为解决开发者难题推出 Agent Skills。官方仓库含多项技能，涵盖谷歌云核心服务及架构支柱技能，还提供常见任务流程指南，兼容多平台，能省开发代码。此前还有 Addy Osmani 开源的技能库。