「高层测试闭环」共找到 2069 篇相关文章
一篇论文改写AI科研评价规则！中国公司拿出实践数据，双榜第一、成本更低
今年科技巨头入局AI4S，想打造“AI科学家”。8月19日《Measuring AI Scientists: From Exams to Discovery》论文提出评价范式。深度原理MIRA平台是现实样本，在评测中表现优异，沉淀闭环数据。
Anthropic发布Claude Science，AI开始像研二学生一样做科研
当地时间6月30日，Anthropic发布科研产品Claude Science。它运行Claude Opus 4.8，亮点在使用方式，将科研所需整合，还能拆分任务。早期用户反馈良好，与OpenAI、谷歌竞争，已开放测试版。
The Batch: 952 | GPT-5.5 性能领先，但幻觉问题突出
OpenAI 最新旗舰模型 GPT-5.5 是闭源视觉 - 语言模型，在重要基准测试中表现领先，但在区分已知未知内容上有困难，幻觉问题突出，在主观评估中落后于对手。
这个框架让大模型省下50%内存，合并专家不如直接删掉？
Cerebras Research提出REAP框架，通过专家剪枝和合并技术压缩SMoE模型，能让模型‘瘦身’并保持性能，可省50%内存，但社区测试有不同结果，且存在调度开销等问题。
刚刚，马斯克发布Grok 4！全榜第一，年费飚到2万+
北京时间中午，马斯克现身 xAI 发布会发布 Grok 4，称其是世界最好的 AI。Grok 4 推理能力强，多类基准测试成绩领先，还在多方面能力获加强，已上线但付费昂贵。
确认！DeepSeek多模态AI已经开测
DeepSeek研究员陈小康、陈德里确认其V4视觉模式开始灰度测试。更新后出现识图模式，具备真实图像理解能力。陈小康是多模态研究组负责人，陈德里负责语言模型等核心方向，V4可谓满血归来。
成本降九成，准确率100%！MIT反常识架构挑战硅谷信仰
慕尼黑工业大学等研究者指出企业AI落地问题源于数据乱。RUBICON架构用AQL查询语言，把操作权交用户，让LLM在精确范围工作。测试中它准确率100%，成本低，优于现有智能体AI方案。
刚刚，国产视频模型登顶全球第一！给谷歌Veo上了一课，还把钱给挣了
国产视频生成模型SkyReels V4在第三方榜单中登顶全球第一，压过谷歌Veo 3.1等。它能力强大，解决视频AI老毛病，支撑昆仑万维短剧平台DramaWave，构建了完整AI生态闭环。
UniPat AI开源SWE-Vision：五百行代码打造SOTA视觉智能体！
多模态大模型代码能力进步大，但基础视觉任务常失误。UniPat AI开源SWE-Vision框架，让模型用Python代码处理视觉判断。它极简设计，在五个视觉基准测试达最优，提升前沿模型视觉表现。
规范对齐时代：GPT-5 断层领先，让安全与行为边界更明晰
上海交通大学等团队提出规范对齐概念，构建评测基准 SpecBench 评测 33 个主流模型，发现多数模型有不足。还探索测试时深思方法，如 Align3 能提升规范遵循度，GPT - 5 在规范对齐上断层领先。