「软件评测」共找到 1195 篇相关文章
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。
团队授权：分散化的架构决策
文章以黏菌创建网络为隐喻，探讨软件团队去中心化架构决策。介绍转型历程，包括重组团队、建立建议流程、创建上下文图等，阐述各环节作用、挑战与收益，强调其能提升决策质量与团队参与度。
腾讯与中科院联合提出R-4B，一个能自动决定是否思考的多模态大模型
多模态大语言模型“始终思考”模式有缺陷，腾讯混元团队与中科院自动化所联合提出R - 4B，通过双模式退火训练和双模式策略优化实现自动思考，在多评测中达SoTA，省资源且效果好。
RXD大会首发北京：当硅谷还在谈论物理AI，西门子已重写工业规则
3月23日，西门子Siemens RXD大会在北京开幕。西门子首席执行官博乐仁称，AI是通用型技术，公司有贯通硬软件与数据的技术栈。大会发布26款新品，多指向硬件，还展示了数字孪生等应用，凸显数据和行业知识重要性。
黄仁勋罕见发长文：APP形态或将消失
英伟达CEO黄仁勋发表长文，系统阐释AI产业底层逻辑，定义AI“五层架构”。他指出AI产业尚处早期，潜力待发掘，未来还需巨额投资完善基础设施。还预判传统软件和 APP 形态或消失，AI Agent 将成主流。
UserBench 与 UserRL 带来的交互智能范式转向
当下大模型在与用户交互时存在不足，来自UIUC与Salesforce的UserBench和UserRL两篇新作，将‘用户价值’量化，把‘可测的交互’转化为‘可训练的策略’，从评测和训练层面推动模型向‘懂用户’转变。
梁文锋突袭马斯克！DeepSeek V4 Pro对战Grok 4.6，首测夯爆了
梁文锋凌晨发布DeepSeek V4 Pro正式版，马斯克推出Grok 4.6，二者在多项评测中表现出色，直逼OpenAI和Anthropic顶尖模型，还降低了前沿智能价格。首测中，二者在真实任务场难分伯仲。
全球第二、国内第一！钉钉发布DeepResearch多智能体框架，已在真实企业部署
在数字经济浪潮中，企业对高效信息获取与决策支持需求迫切，但现有研究系统存在不足。阿里巴巴钉钉团队提出Dingtalk - DeepResearch多智能体框架，在评测中成绩优异，已在真实企业场景部署。
上交×蚂蚁发布 DiagGym：以世界模型驱动交互式医学诊断智能体
上海交通大学与蚂蚁集团等团队提出新训练框架，构建面向医学诊断的世界模型DiagGym，训练诊断智能体DiagAgent，还设计评测基准DiagBench。实验显示该框架下的智能体表现优于先进模型，代码等已开源。
AI 编程带来的新变革
作者分享在 Amazon Bedrock 用 AI 智能体写代码的项目经验，指出人与智能体协作使代码产出率大幅提升，但也带来 Bug 增多、CICD 管线阻塞、沟通成本增加等挑战，需重新思考软件开发方式。