「大模型测试」共找到 9823 篇相关文章
刚刚！北大校友Lilian Weng最新博客来了：Why We Think
北大校友Lilian Weng更新博客《Why We Think》，回顾利用测试时计算的研究进展，探讨让模型“思考更久”的方法。文中介绍了思维链、潜变量建模等策略，还提及多种提升生成质量的策略，如并行采样与序列修订，以及强化学习提升推理能力等内容。
Claude 通过率不到 4%，SaaS-Bench 撕碎了 Computer-Use 的「全自动办公」幻想
UniPat AI用SaaS - Bench测试，让Agent在真实工作环境中执行任务。结果显示，Claude Opus 4.7端到端完全通过分数仅3.8%，多数模型表现差，还暴露Agent四种致命缺陷，揭示其与真实工作能力有巨大鸿沟。
AI 应用开发的破局之路：字节跳动 Eino 框架实践
在 InfoQ 举办的 QCon 全球软件开发大会上，字节跳动沈桐介绍 Eino 框架在组件抽象和业务编排的创新实践。该框架以大模型为基础，解决应用开发中节点、信息流转和沉淀框架的问题，还给出开发实例，展望了未来重点方向。
全国首部可信AI“技术安全+数据合规”标准来了，欢迎参与起草！
2025年国家数据局开展可信数据空间试点，在多领域落地经验。但实践中技术、合规等问题凸显。中国电子商会归口、智合标准中心起草《人工智能大模型可信数据协作安全与合规指南》，有诸多亮点，现公开征集起草单位和起草人。
JoyInside 创新大赛现场，我看到 AI 硬件长出了灵魂
作者曾对多数AI硬件失望，认为其有硬件没灵魂。但在观猹和京东联合举办的JoyInside创新大赛上，20强产品让其改观。大赛基于京东JoyAI大模型，缩短产品上市周期，前三名产品各有亮点，还呈现场景垂直化和交互方式改变趋势。
上下文工程如何重塑智能体的“思考方式”？
文章指出在大模型时代，智能体能否理解上下文是关键。介绍了上下文工程的魔力、从提示词到上下文工程的演进，分析了上下文工程不等同于上下文的原因及常见失败类型，还给出编排设计和常见策略，最后提及用RAGFlow构建私有知识问答应用。
NeurIPS 2025 Spotlight | 选择性知识蒸馏精准过滤：推测解码加速器AdaSPEC来了
大型语言模型推理延迟高、开销大，推测解码可加速但依赖草稿与主模型一致性。佐治亚理工等团队提出 AdaSPEC 蒸馏法，过滤难学 token，提升草稿模型与目标模型对齐度，实验显示能提升接受率和推理速度。
全国首部可信AI“技术安全+数据合规”标准来了，欢迎参与起草！
2025年国家数据局开展可信数据空间试点，在多领域落地经验。但实践中出现技术与标准等问题，中国电子商会归口、智合标准中心组织起草《人工智能大模型可信数据协作安全与合规指南》，介绍标准内容、亮点等并征集起草单位和起草人。
国产Agent第一股要来了？但官网都打不开，什么妖魔鬼怪？
国内最大AI数字员工公司冲刺IPO，要做企业Agent第一股，但其官网无法访问。该企业级Agent平台是RPA+AI组合，RPA有致命问题，大模型加入后虽有变化，但事情本身护城河不深，公司靠定制化冲击IPO，且仍亏损。
小美Agent：当龙猫遇到美团外卖的灾难现场
作者体验美团AI助手“小美”后吐槽不断。美团称其用有5600亿参数的龙猫大模型，能力接近GPT - 4o，但它理解需求差、操作订单无效、定位混乱。美团做AI是为跟风，未解决用户真需求，是资源浪费。