「极限测试」共找到 1839 篇相关文章
斯坦福开源复杂推理AI Agent，融合超10种工具
传统AI助手应对复杂任务能力有限，斯坦福开源OctoTools，这一复杂推理AI Agent融合11种工具。它在16项基准测试中准确率高，能应对多领域复杂场景，框架含工具卡片、规划器等构件。
蚂蚁抛弃向量推荐！用8B小模型构建「用户“话”像」，实现跨模型通用并拿下SOTA
2026年AI开发者关注爆款大模型应用，个性化是关键。蚂蚁集团和东北大学团队推出AlignXplore+，实现文本化用户建模新范式，有全域通用、极致迁移、实战适配特性，小参数超越基线，未来将继续探索。
奥特曼小号泄密：OpenAI代码工作100%交给Codex！工程师才揭底Codex“大脑”运行逻辑，碾压Claude架构？
近日，OpenAI工程师揭秘Codex“大脑”运行逻辑，介绍其智能体循环及构建提示词等过程。还提及用1个PostgreSQL主库和50个只读副本顶住8亿用户，同时持续探索数据库性能极限。
AI人格分裂实锤！30万道送命题，撕开OpenAI、谷歌「遮羞布」
Anthropic联合Thinking Machines研究，用30万个场景和压力测试拷问OpenAI、谷歌等前沿大模型。发现模型规范有矛盾漏洞，不同模型价值优先模式不同，如Claude重道德，Gemini重情感等。
挑战扩散自回归统治！字节提出视觉生成第三种路线，让模型像人类一样边画边改
五一期间字节商业化技术团队研发出新一代视觉生成模型，其底层架构是全新的第三条路——生成精炼网络GRN。它能让AI像人一样边画边改，解决了现有模型的问题，在多项基准测试中刷新SOTA记录。
Fable 5 刚被封杀，OpenRouter 用「多模型协作」搞出了「平替天团」
2026年6月14日，OpenRouter推出复合模型Fusion API，可复刻Claude Fable 5智力水平。它采用多模型协作，经DRACO测试效果出色，成本减半，但也有编程不实用、速度慢、数据合规存黑箱等问题，重塑了AI行业逻辑。
我用MiniMax Agent开发了个带后端的全栈网站，全程0代码
2025年Agent成AI领域焦点，大厂纷纷布局。作者测试MiniMax Agent，发现其有四大特点：深度研究和上下文管理强，多模态输出出色，编程能力超预期，能执行定时任务，还能开发带后端的全栈网站。
GPT-6 Sol要来了？OpenAI本周或迎「发布狂潮」
本文爆料OpenAI核心人员预告本周将迎来DevDay级别的大规模产品更新，网传GPT-6 Sol已进入灰度测试，OpenAI正推动旧模型迁移，本轮更新覆盖新模型、多模态、智能体等多个领域。
DoorDash 如何打造了一款不完全依赖大型语言模型（LLM）的 AI 购物助手
DoorDash 分享对话式 AI 助手 Ask DoorDash 的架构，它借助 LLM、AI 代理等构建系统。测试显示其提升了结账转化率等指标，还构建自动评估框架改进质量衡量，架构分离协调与业务功能。
开源模型终于有了自己的 Opus 时刻
智谱深夜发布的新一代旗舰模型 GLM - 5，此前以匿名模型 Pony Alpha 被开发者热测。2026 年编程大模型风向转变，GLM - 5 参数提升，测试成绩优异，实测能完成复杂工程任务，适配国产算力平台。