「功能测试」共找到 3122 篇相关文章
o3-pro通关“推箱子”，人类怀旧小游戏成了大模型新Benchmark
推箱子、俄罗斯方块等经典小游戏成大模型benchmark，o3 - pro挑战这两款游戏表现出色，突破benchmark上限，成绩远超o3。Lmgame含多款游戏，有不同评价方式，且开源可用于模型测试。
安卓开发被Vibe Coding接管了？谷歌把搓App门槛彻底打下来，一周搓出25万个
谷歌近期状况不佳，不过 Google AI Studio 上线免费生成原生 Android App 功能挽回颜面。上线一周多创建超 25 万个 App，99% 以上用户此前未做过安卓开发，无需代码就能开发，还支持 Remix。实测显示效果不错。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
科学家首次实现修正线粒体DNA突变，治愈不治之症打开新大门
荷兰科学家在《PLOS Biology》发文，称用DdCBE成功纠正线粒体DNA突变。研究在原代成人细胞中验证其能恢复线粒体功能，还探索了modRNA和LNPs递送系统，虽距临床尚有数年，但意义重大。
谷歌 DeepMind 发布机器人学基础模型 Gemini Robotics On-Device
谷歌 DeepMind 推出 Gemini Robotics On-Device，这是视觉 - 语言 - 行动基础模型，可在机器人硬件本地运行，低延迟且能针对特定任务微调。它是 Gemini Robotics 家族最新迭代，还发布相关基准测试。模型待广泛可用，SDK 可在 GitHub 找到。
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
如何为 GPU 提供充足存储：AI 训练中的存储性能与扩展性
文章通过分析 MLPerf Storage v2.0 测试结果，探讨不同存储系统在大规模 AI 训练中的表现。介绍三类训练负载及新的 Checkpointing 负载，分析共享文件系统类别，给出比较视角，解读各负载测试结果并总结选型要点。
突发！Gemini 3.8登顶，谷歌迈出RSI一大步
谷歌发布Gemini 3.8 Flash及专攻网络安全的3.8 Flash Cyber。前者性价比高，在多项测试逼近顶级模型；后者在网络安全测试屠榜。但谷歌也被指提前庆祝，且模型可能有‘刷榜’成分。
实测Gemini图片转视频新功能，终于蹲到经典梗图后续了（doge）
Gemini接入带声音的图片转视频功能，作者实测该功能。用开盒指令测试，生成速度较快；还尝试给梗图加后续，发现生成精确内容需详细提示词，且不能生成具体真人形象内容。
Claude的脑子里，也长出了一块「意识」
Anthropic论文研究Claude潜意识与意识，发现其内部有类似人脑功能分层，揪出J - space。经多实验验证其特性，还能用J - lens检验AI“心里话”，但离“AI有意识”尚远。