「结果有效性」共找到 587 篇相关文章
高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二
因网友质疑上次测评不严谨，此次用六款大模型挑战含解答题的全套高考数学题。结果Gemini 2.5 Pro夺冠，Doubao和DeepSeek R1并列第二。解答题是失分重灾区，图像题难倒多模态大模型。
卧底房产AI三天后，我发现地产圈的「信息差」，正被这样一铲到底！
文章测评房产AI工具CRIC深度智联，让其与OpenAI、Google、Anthropic旗下通用AI比拼写地产研报。结果显示，CRIC以独家行业数据库实现降维打击。此外，它还有普通和专业两版，适用不同人群，也指出AI有边界。
Stripe 发布基准测试：AI 智能体可开发集成方案，但校验环节存在短板
Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。
Claude 通过率不到 4%，SaaS-Bench 撕碎了 Computer-Use 的「全自动办公」幻想
UniPat AI用SaaS - Bench测试，让Agent在真实工作环境中执行任务。结果显示，Claude Opus 4.7端到端完全通过分数仅3.8%，多数模型表现差，还暴露Agent四种致命缺陷，揭示其与真实工作能力有巨大鸿沟。
品味 + 工程思维：AI 时代最难被替代的两件事
AI 时代，最难被替代的是做选择的品味和把结果做稳的工程思维。语法可交 AI，但需有工程思维，它能让使用者把 AI 用好，避免错误和复杂度失控。文章介绍了培养工程思维的方法。
SIGGRAPH Asia 2025最佳论文 | 港中大、曼彻斯特大学获奖
SIGGRAPH Asia 2025将“最佳论文奖”颁给港中大与曼彻斯特大学团队研究。该研究提出全新切片计算框架，把切片生成与路径规划转化为数学优化问题，解决传统DLP 3D打印难题，还介绍了进阶策略和实验结果。
OpenAI的Atlas，全网都没有提到的产品细节在这
作者本期待Gemini 3，结果体验Google AI Studio产品后觉得拉胯。此时OpenAI发布Atlas，作者体验后细节感满满，将其设为默认浏览器。文中介绍了Atlas负责人履历及诸多用户体验细节，也指出其功能尚不完善。
苹果计划明年为Siri引入AI搜索功能，可能采用Gemini模型
据彭博社报道，苹果计划明年为Siri引入AI驱动的网络搜索功能，称“世界知识答案”，将以多媒体形式汇总结果。苹果正测试Google模型，或由其提供支持，此前还考虑过Anthropic的Claude模型但未达成协议。
奥数金牌只是序章！OpenAI谷歌彻底打脸预言家，AI巨浪势不可挡
2022年专家预言AI到2025年赢得IMO金牌概率低，结果OpenAI和谷歌DeepMind的LLM提前摘金。此前多项AI基准测试预测也失准，AI发展远超预期。GPT - 5降低使用门槛，群体智能时代到来，各机构需重新思考生存之道。
我花12小时深度实测，阿里Qwen-3 Coder被Kimi K2“吊打”！
作者花12小时在真实项目中实测阿里Qwen - 3 Coder和Kimi K2。结果显示，Kimi K2在任务成功率、指令遵循、Bug修复、代码重构等方面全面领先，成本还更低，作者更推荐Kimi K2用于代码开发。