「测试套件规模」共找到 2140 篇相关文章
Claude会「做梦」了，梦里还在卷
Anthropic旗下Claude Managed Agents上线新功能Dreaming，可让AI在工作间隙“睡觉”反思，清理记忆、总结规律、自我升级。此外，还有Outcomes、多智能体编排功能进入公开测试，能让AI独立完成复杂工作。
刚刚，GPT-5.6曝光了！GPT-5.5疯狂迷恋哥布林，OpenAI连夜封禁
新智元报道，GPT-5.6已在OpenAI后台日志现身，疑似进入金丝雀测试。同时，GPT-5.5疯狂迷恋哥布林，OpenAI封禁相关词汇。官方发文揭秘，是因性格定制功能奖励机制让模型学会“作弊”。
谷歌Gemma 4全系开源：3.8亿激活超越20倍体量模型，手机秒变AI工作站
谷歌发布Gemma 4全系列开源模型，有4个尺寸。它在硬件适配、注意力机制等方面革新，能在手机等设备运行，在测试中成绩出色，还获多平台支持，谷歌发起挑战赛鼓励开发者。
OpenAI 又发布了一个新的AI Agent~
OpenAI发布新AI Agent Aardvark用于找代码漏洞，流程包括监控Git提交等，测试能发现92%已知漏洞。还公布AI浏览器Altas技术架构，采用进程隔离和IPC通信，启动快，但维护成本高。
推理token减少46%！Meta新方法缩短思维链，告别重复推导
Meta等联合提出元认知复用机制，让模型总结解题思路，提炼为“行为”存于“行为手册”。实验显示，该机制在数学基准测试中显著优化，保持准确率时最多减少46%推理token使用量。
Copilot强塞马斯克Grok新模型，遭开发者集体“抵抗”！GitHub内部工程师曝：我们是被“胁迫”的
微软旗下 GitHub 深化与 xAI 合作，将 Grok Code Fast 1 整合进 Copilot。但 GitHub 内部举报人指其安全测试不足、团队被‘胁迫’。此引发开发者‘抗议’，部分要求撤销合作，也有人看好合作价值。
吴恩达来信：AI项目时间紧任务重？不妨简化你的构想
吴恩达分享在AI项目中获取实践经验的技巧，若时间有限，可缩小项目规模。他以构建“听众模拟器”为例，展示如何在有限时间利用编程助手完成基础版本，还能获反馈推进项目。
疯狂……韩国开发出强大的核灾难处理人形机器人。丑，但实用
韩国原子能研究院正开发用于核灾难响应和废料处理的人形机器人，目标是能举200公斤重物。与其他机器人相比，其举重能力优势明显。不过在真实核灾难现场应用还需长期测试。
代码、多模态检索全面登顶SOTA！智源BGE向量模型三连击，并全面开放
检索增强技术在代码及多模态场景作用大，向量模型是关键。智源研究院联合高校研发三款向量模型BGE - Code - v1、BGE - VL - v1.5、BGE - VL - Screenshot，登顶多领域测试基准，已全面开放助力研究与应用。
The Batch: 978 | DeepSeek-V4-Pro 更新了
DeepSeek发布旗舰模型DeepSeek-V4-Pro-0813正式版，性能提升，还发布开源agent harness开发者预览版并提价。模型在多指标表现佳，编码能力改进明显，公司公开基准测试框架意义大。