「大模型测试」共找到 9831 篇相关文章
全靠Claude4！30年FAANG老工程师：AI帮我解决了4年老bug
5月22日Anthropic推出Claude 4系列大模型，Claude Opus 4是领先编码模型。Reddit上30多年经验的前FAANG工程师称，它解决了困扰自己4年的C++ Bug，引发热烈讨论。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
1052篇文献！上海AI Lab发布科学LLM综述：从数据基础到Agent前沿
上海AI Lab主导，25家研究机构共同梳理270+训练集、190+评测集，提出科学数据分层框架与智能体闭环科研新范式。还介绍了模型演进、数据情况、评估基准等，指出数据缺陷并展望走向科学家智能体的三步。
2026 年全民养虾，但你养的，到底是谁的虾？
OpenClaw开源引发全民养虾热潮，但多数数据跑在大厂云上。面壁智能推出EdgeClaw Box，适配多款硬件，有本地模型，能断网干活，具安全机制，省钱且技能丰富，还与OpenClaw互补。
RLHF与RLVR全都要，陈丹琦团队最新力作将推理能力拓展到通用智能
普林斯顿大学陈丹琦团队发布学术成果，提出基于模型奖励思维的强化学习（RLMT）方法，弥合专门推理与通用对话能力差距，将链式思维优势扩展到更广泛范围，提升整体对话表现。
8亿！OpenAI发布企业AI现状报告
OpenAI发布《2025年企业AI现状报告》，基于真实数据与调研公开企业级AI使用规模。ChatGPT周服务超8亿用户，企业端增长惊人，各行业渗透加速，员工也感受到实际价值，同时前沿与普通用户差距拉大。
30 小时不眠不休写代码，Claude 4.5 的三个“最佳”
Anthropic发布Claude Sonnet 4.5，宣称其为“世界上最好的编码模型”等。它在测试中表现出色，能力全面提升，价格实惠，开发者测试效果佳。还注重安全，升级开发工具和生态系统。
从「知题」到「知人」：UserRL让智能体学会「以人为本」
大语言模型距成真正用户伙伴缺‘知人’能力。来自UIUC与Salesforce团队提出UserBench和UserRL方案。前者将‘用户特性’制度化，构建评测环境；后者搭建统一强化学习框架，探索奖励建模，二者让‘以用户为中心’落地。
刚刚，SpaceXAI最强Grok 4.7发布！价格杀疯，跑分令人失望
本文报道SpaceXAI发布新款大模型Grok 4.7，该模型定位面向编程与知识工作，主打速度翻倍、价格仅为同类一半，强化长任务处理能力，跑分表现引发网友争议。
拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？
企业级多智能体系统瓶颈常是负责分发任务的传统 Router 太“傻”，搞不定跨域、解不了冲突、跟不上变化。腾讯云开源 TCAR 智能路由模型，它先推理再选 Agent 集合，经多数据集评测表现出色，还提供完整开源范式。