「基准测试集」共找到 2446 篇相关文章
不让“猪队友”拖后腿！哈深新作 AgentDropoutV2，专治多智能体“传话游戏”翻车现场
多智能体系统中，常有agent出错带偏整体。哈工大联合阿里提出AgentDropoutV2，测试时介入，设‘质检员’审核输出，结合失败案例构建‘避坑指南’，在多测试中显著提效，泛化性强。
史上最大高质量科学推理后训练数据集开源，快速让Qwen3等变“科学家”
上海创智学院、上海交通大学发布开源科学推理后训练数据集MegaScience，含约125万条问答对，覆盖多学科。它解决了现有数据集的问题，实验显示能提升模型科学推理能力，已完整开源相关组件。
1.2万人收藏单日斩获 3.4K！刚刚冲上 GitHub Trending 榜首的“AI 红队”工具！
AI加速代码编写，但也留下更多安全坑，传统扫描工具和人工渗透测试难以应对。新晋GitHub Trending榜首工具Shannon是全球首个开源全自动AI渗透测试员，多智能体架构，功能强大，适合AI编程团队。
AI写代码终于不瞎烧钱了：边车路由让顶级性能成本直降35%
传统模型路由用于写生产代码易掉链子，Cognition发布的Devin Fusion混合模型框架可解决该问题。官方测试显示，它能降35%编码智能成本且质量无明显下滑，从实际测试案例可看出其适用边界。
Dev Proxy v1.3.0：HAR 文件生成、LLM 使用跟踪、增强的 API 测试功能
Microsoft 365 开发团队发布 Dev Proxy v1.3.0 版，引入 HAR 文件生成、OpenAI 使用跟踪等新功能，改善调试、测试和 API 监控，还改进 OpenAPI 规范生成等，同时更新了 VS Code 工具包。
真实场景也能批量造「险」！VLM+扩散模型打造真实域自动驾驶极限测试
浙江大学与哈工大（深圳）联合推出SafeMVDrive，将VLM关键车辆选择器与两阶段轨迹生成结合，可在真实域批量制造高保真安全关键视频，用于端到端自动驾驶系统安全性测试。
GPT-5惨遭零分打脸，顶级AI全军覆没！奥特曼AI博士级能力神话破灭
FormulaOne硬核测试让顶级大模型现原形，其题目分三关，基础题AI还行，进阶题和最深层题表现惨不忍睹。该测试由AAI公司出品，问题具商业价值，反映出当前AI离真正专家还有距离。
7.3K Star！港大开源神作，集问答、可视化、出题于一身的 AI 超级导师！
香港大学 HKUDS 开源的 DeepTutor 是爆火的个人学习助手，集文档问答、可视化讲解、智能出题、深度研究于一体，解决自学痛点，还给出了快速入手步骤。
不改模型也能提升推理性能？ICLR投稿提出测试时扩展新范式OTV
ICLR 2026投稿论文提出单token验证（OTV），是测试时扩展新机制，让模型能边推理边判断正误。它基于并行思考思路，借助轻量内部验证器分析推理过程，实验显示其性能优于主流方法。
马斯克星舰第九次试飞失败，为测试极限拆除100块隔热瓦，返航途中燃烧解体
马斯克星舰第九次飞行测试，二百万网友围观。虽点火、升空顺利抵达太空，但随后意外不断。部署卫星舱门无法打开，星舰轨道失控翻滚，进入大气层后燃烧，最终在59.3千米高空失联，官方确认“快速非计划解体”。