「产品评估」共找到 2246 篇相关文章
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
Agent搜索哪家强？人大高瓴&快手联合发布全新评测基准GISA
人大高瓴与快手联合发布全新评测基准GISA，用于评估智能体搜索能力。它解决了现有基准反向构造、评估维度单一、答案易被记忆等问题，含373个高质量查询，实验显示当前搜索智能体距人类水平差距大。
Unify：9个月两轮融资估值2.6亿美元，AI 自动化销售赛道跑出新独角兽
AI销售自动化平台Unify完成4000万美元B轮融资，投后估值2.6亿美元。其核心产品解决销售数据孤岛等痛点，20 - 30%营收来自自用。虽面临竞争，但有独特优势，未来挑战与机遇并存。
Claude Opus 4.7发布！这是你在别的公众号看不到的五个发现
Anthropic发布Claude Opus 4.7，编码和视觉能力提升，但长上下文能力下降。其231页的System Card藏着不少有趣发现，如Opus 4.7非最强模型、Claude知道被测试、模型审查自身评估等。
没绷住...美团竟然做了个这？
美团推出产品 xia345，它聚合主流 AI Agent 客户端、技能市场和 LLM 模型等信息，功能不复杂但信息密度高。其有清晰新手路径，还能成 Agent 技能。产品经理规划了新功能，目标成 Agent 时代迪士尼乐园。
The Batch: 918 | 智能体 AI 引发投资者恐慌
投资者担忧AI系统动摇软件制造商商业根基，致标普软件与服务指数等大幅下挫。Anthropic推出多款产品加剧风波，后与部分公司合作使SaaS类股反弹，但未收复全部跌幅。AI正重塑软件市场，SaaS未死，正迈向AI原生化。
创业7年干出一个全球第一，这家深圳芯片公司冲刺港股IPO
曦华科技冲刺港股IPO，其2024年scaler芯片出货量全球第二，ASIC架构scaler产品市场份额达55%排第一。不过，公司仍亏损，且面临激烈竞争。它靠产品创新和高研发投入提升估值，后续有应对竞争的规划。
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。