「评测环境」共找到 1070 篇相关文章
刚刚，杨植麟亲自开源Kimi K2.5！国产大模型打架的一天
今天国产大模型热闹非凡，Kimi更新至K2.5版本。它是万亿参数的MoE基础模型，开源且在多项评测表现佳，视觉与编码能力强，还引入Agent Swarm功能，实测展示其解决各类复杂任务能力。
为防AI刷题，Nature等顶刊最新封面被做成数据集，考验模型科学推理能力|上海交通大学
上海交通大学王德泉教授课题组提出MAC基准，用顶级期刊最新封面构建测试集，评测多模态大模型能力。研究设计两种含“语义陷阱”的测试任务，发现顶尖模型有局限，还提出DAD方法提升表现，采用双重动态机制。
谷歌新版Gemini一夜端掉UI：单HTML文件复刻macOS，成功率100%
谷歌新版Gemini 3.0 Pro能力惊人，几行提示词就能在浏览器复刻苹果macOS，还能生成网页版Windows、Linux，功能完整且能一次生成，代码已公开。不过有网友指出这只是模拟环境。业内推测其或在未来几个月发布。
Nanbeige4.2-3B：探索通用Agent小模型
在模型越做越大的当下，推理成本成了影响Agent大规模使用的关键因素。南北阁实验室推出Nanbeige4.2 - 3B，在架构、数据构造和训练pipeline层面做了系统工作，评测表现良好，还探索本地个人助手等应用。
振臂一挥，大半个具身机器人圈都来了！智源研究院：别藏了，谁贡献数据多，谁的大脑就更好用
2025智源具身智能Open Day上，智源研究院院长邀厂商共享数据，称谁家贡献多，具身大脑在其机器人上更好用。智源无商业包袱，开源数据、统一评测，布局具身大小脑体系，欲做具身智能“安卓”。
详解Github 35K+项目：打通200+数据源，构建企业级AI的数据统一入口，支持MCP【下篇】
本文继续介绍MindsDB这款开源AI数据引擎，阐述知识库与混合检索应用，如创建向量索引、语义检索、多源混合检索等；还提及RAG与数据智能体，包括构建RAG管道和配置Data Agent；最后给出应用建议，称其适合复杂企业环境。
入选 SOSP'25：百度智能云对象存储的分布式层级 Namespace 破解业界难题，彻底扫清 AI 时代大数据上云障碍
百度沧海・存储团队与高校合作的论文被 SOSP'25 录用，介绍了百度智能云对象存储 BOS 的分布式层级 Namespace 系统 Mantle。它攻克业界难题，融合文件和对象存储优势，性能卓越，已在 BOS 生产环境大规模上线超两年。
32B 稠密模型推理能力超越 R1？中国秘密 AI 团队发布推理小模型 AM-Thinking-v1
2025年，国内神秘A - M - team在Hugging Face开源32B推理模型AM - Thinking - v1。它在多推理评测中击败DeepSeek - R1，与超大规模模型成绩相当。团队靠后训练方案挖掘32B模型潜力，探索小体量实现大能力路径。
“英伟达显卡就是一坨*”！博主6000字檄文怒批：烧接口、缺单元、驱动变砖还威胁媒体
博主Sebin发布近6000字檄文批判英伟达，指出其显卡有烧接口、缺单元、驱动变砖等质量问题，销售策略存在库存少、黄牛多、捆绑销售等问题，还试图操控媒体及评测机构。文章在Hacker News引发大量讨论。
小扎不死心Manus“自研”了一个，但模型用的Claude……
Meta推出智能体平台Hatch，功能类似Manus，开发阶段用Claude，计划正式上线时切换到自研模型Muse Spark，10月推出新模型Watermelon。Hatch注重消费数字生活，与Meta社交生态深度绑定，高端订阅有默认分发优势，但面临真实环境考验。