「大模型测试」共找到 9855 篇相关文章
姚顺雨Agent能力交卷！腾讯混元Hy3把元宝练成了打工人
腾讯混元Hy3正式版发布，总参数295B、激活参数21B，最大支持256K上下文。它是快慢思考融合的MoE模型，重点提升Coding和Agent能力。其加持下，元宝大升级，能完成办公、生活等多场景任务。
LinearRAG：一种免关系提取的高效 GraphRAG 图构建方法
研究指出 GraphRAG 模型在实际应用中表现常不如朴素 RAG 方法，原因是自动构建的知识图谱质量不佳。为此提出 LinearRAG 框架，有三大核心创新，在四大基准数据集上全面超越现有方法，代码和数据已开源。
RL成本降幅超90%！Meta提出Agent训练新范式DreamGym
传统强化学习（RL）训练LLM Agent面临成本高、任务多样性不足等挑战。Meta团队提出DreamGym框架，以经验合成为核心，通过三大组件协同工作，在多种任务和模型上提升性能，为通用Agent训练开辟新路径。
Shopify分享了他们做Agent的万字踩坑经验
Shopify分享构建生产级AI助手Sidekick的万字经验。构建中遇工具拓展难题，用JIT指令解决；评估是大挑战，建立严谨体系，虽有提升但效果仍有波动，模型还会钻空子，最后强调单Agent系统也强大。
Qwen3.8-Max：编程与办公，全面跃升
今日正式发布Qwen3.8-Max，下周将开源其及Qwen3.8 - 27B模型权重。它参数达2.4万亿，在多方面全面提升。开发者可通过千问AI平台获API服务，性价比高。在编程、办公等场景表现出色，用户反馈良好。
GPT-5.5全球首破！0源码盲写程序，编程AI进入新纪元
全网AI交白卷的ProgramBench编程基准，被GPT-5.5首破。它能0源码盲写程序，同一题用C和Python两种解法通过测试。相比之下，Opus 4.7表现不佳。这揭示推理算力成编程AI核心变量。
Cherry Studio 复盘：从 Chat 到 Agent，一款「套壳」开源产品如何推倒重来？
Cherry Studio最初是为用户在不同大模型间切换的聊天客户端，随行业从Chat转向Agent，它开启2.0版本重构，定位转向「个人Agent平台」，底层架构重写，要解决产品复杂性、完善协作等问题。
字节的 Doubao Seed 2.0 来袭，不过我想先和你聊聊扣子编程
作者介绍了AI Coding进展超预期，普通人协作就能做出实用作品。重点讲了扣子编程，它是云端Coding Agent，适合小白，接入多个大模型。还介绍了Doubao Seed 2.0升级，最后探讨了编程趋势。
再见Bug！谷歌超级编码智能体Jules上线，免费使用直连GitHub
谷歌推出编程智能体Jules，进入全球测试阶段，有Google账户的开发者可免费试用每日5次。它基于Gemini 2.5 Pro模型，能写代码、修Bug等，还可连GitHub简化流程，预计今年晚些时候推更多功能和企业版。
Claude Opus 4.7连夜突袭：或将抢走全球7亿打工人饭碗！
Anthropic正式发布Claude Opus 4.7，定义为当前可广泛使用的最强Claude模型。其核心升级在复杂任务执行、高清视觉理解和长链路工作流，视觉能力大幅提升，在多方面超越对手，普通用户使用有三大变化。