「测评季」共找到 149 篇相关文章
SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益
来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。
美团开源新模型，多项能力实测第一
美团发布5600亿参数的LongCat - Flash模型，有创新动态计算机制和高效训练推理架构。它在多项测评中领先，尤其在代理工具使用测试表现出色，还以宽松许可开源，降低使用门槛。
会“思考”的目标检测模型来了！IDEA提出Rex-Thinker：基于思维链的指代物体检测模型，准确率+可解释性双突破
现有目标检测方法有决策不透明和拒识能力不足问题。IDEA提出Rex - Thinker，引入“逻辑推理链”，构建可解释推理框架，经两阶段训练，在测评中准确率提升，可解释性强，有良好泛化能力。
刚刚，马斯克发布Grok-4，在各大基准测试上表现太猛了。
马斯克的 xAI 发布 Grok - 4，在各大基准测试表现出色，如 AIME25 拿满分、GPQA 领先等。第三方测评显示其登顶，编码和数学指数居首。价格与 Grok 3 相同，今日上线但价格高，甚至有已售罄情况。
这个免费的任务助手登顶 SuperCLUE-XClaw 榜单
近日，SuperCLUE - XClaw发布最新测评榜单，百度文心助手在十个参评的国产龙虾产品中夺冠，获97.62分。SuperCLUE是关注中文大模型评测的第三方体系，其榜单受业内关注。文心助手还是免费的。
M2模型杀回Coding和Agent领域，MiniMax想要「普惠智能」
如今大模型竞争转向综合比拼，MiniMax 发布并开源 M2 模型，在权威测评跻身全球第一梯队。它定位轻量级，Coding 与 Agentic 能力强，性价比高，还升级 Agent 产品，以技术普惠策略让用户零成本体验。
“AI大神”李沐终于开源新模型，爆肝6个月，上线迅速斩获3.6k stars！
7月23日，“AI大神”李沐开源音频基础模型Higgs Audio v2，构建于Llama - 3.2 - 3B之上，预训练数据丰富。该模型在多个测评中成绩领先，有多种能力，李沐介绍其技术及训练方法。
拜拜Claude！阿里最强万亿模型编程秒了Opus4，实测在此
阿里推出总参数达1万亿的Qwen3 - Max - Preview （Instruct），比前一代Qwen3（235B）强四倍，发布即上线。官方测评显示它打败Claude Opus 4等对手，实测其编程能力出色，后续正式版值得期待。
GPT6来了，我却怀念GPT3.5
作者看到群里说ChatGPT等AI工具无法使用，意识到人们已离不开AI。接着提到GPT6发布，其各项测评指标比上一代大幅提升。还探讨了GPT6到来后SEO、GEO的意义及未来研究方向。
刚刚，百度文心又拿第一了！完全免费
百度文心助手不到二十天拿下国内、全球两个‘第一’。SuperCLUE最新XClaw测评中文心获97.62最高分，此前7月20日在权威PinchBench v2榜单也问鼎世界第一。且该产品免费不限量，其底层能力源于百度搜索技术。