「测试范式」共找到 2584 篇相关文章
AI能否独立开展科研？ASI-Bench为科学自主性建立评测标尺
ASI-Bench是衡量AI系统科学自主性的基准测试，由多机构联合开发。它能测试AI通用智能、创新性和执行力，通过信息梯度设计，让模型在不同指导量下完成科研任务，结果显示当前AI离自主科研有明显距离。
Memento-Skills VS OpenClaw 不改模型也能进化
Memento - Skills让AI Agent自己设计自己，通过部署时学习进化，不动模型参数，将经验写进技能库。经测试，在HLE和GAIA基准测试中准确率大幅提升，与OpenClaw等定位不同，有多种部署方式，不绑定模型。
国产AI高考708分，这款模型靠什么成为「屏蔽生」？
高考放榜，媒体对国内外大模型进行测试。综合成绩上，讯飞星火X2物理、历史类表现优异；单科专项中，它在数学、作文等测试也领先。其优势源于数据积累、理解评判标准，还采取软硬件一体化落地路径。
奥特曼和纳德拉，艰难重组后首次对谈：「我们是天作之合！」
奥特曼与纳德拉在OpenAI重组后首次同台，阐释重组幕后并押注从App到Agent的范式迁移与Copilot落地。新协议让OpenAI完成重组，Azure成AI开发者“圣地”，双方合作影响软件范式、人机交互及产业格局。
论文精选 | 以AI赋能力学：计算力学的智能化之路与未来图景
中国力学学会旗舰期刊AMS推出“力学前沿”专栏，首期解读“计算力学的智能化之路与未来图景”。文章介绍智能计算力学三大范式、面临挑战，还阐述重塑智能框架前沿方向，指出AI与计算力学融合是系统性重构。
国内首套：港中文团队发布7模态人体动作数据集，揭开大模型理解能力短板
港中文邢国良教授团队博士生蒋思阳完成 CUHK-X 多模态人体动作数据集，成果被 ACM MobiSys 2026 接收。用其测试主流大模型，发现理解人类动作平均正确率仅四成。该数据集数据收集方法反常规，还开展了基准测试。
本地LLM万字救场指南来了！全网超全AI实测：4卡狂飙70B大模型
文章围绕本地大语言模型（LLM）展开，针对实用性和经济性问题，用Dell Precision 7960塔式工作站对主流模型测试。涉及不同尺寸模型、推理框架等，给出不同配置下性能指标及使用建议，还模拟真实场景测试。
DeepSeek识图模式是个新模型？！一手实测在此（没错我被灰度到了）
作者喜提DeepSeek识图模式灰度测试，实测发现其非思考模式速度快，推理有幻觉；思考模式推理慢且冗长。实用功能如OCR、复原HTML较靠谱，但色盲测试偶翻车。该模式或用独立视觉模型，且多模态进展超预期。
Shopee OnePiece：业内首个融合上下文工程、隐式推理和多目标训练策略的生成式搜推建模框架
2025年生成式推荐发展火热，但工业界落地多在序列化建模，替换传统范式遇阻。Shopee傅聪团队联合人大高瓴学院提出OnePiece范式，是业内首个融合多策略的生成式搜推建模框架，含上下文工程、隐式推理和多目标训练策略。
Anthropic更新了Skill Creator，评测框架上线
Anthropic更新Skill Creator，上线评测框架。该框架无需写代码，能处理两类技能测试需求，可测试和改进技能，有捕获质量回归等用途。还增加基准模式、多Agent支持等，能让技能触发更可靠，更新已在Claude.ai等可用。