「AI模型测试」共找到 13965 篇相关文章
LLM又曝致命缺陷：根本不会看时钟！博士惊呆，准确率不及50%
最新研究揭示AI存在认知缺陷，读取时钟准确率仅38.7%，判断日历日期准确率26.3%。研究者构建测试集考察MLLM能力，虽部分模型有亮点，但整体表现不佳，凸显训练数据和推理方式改进需求。
AI 眼镜“秒变”直男程序员“脱单神器”，首次亮相被抢购一空！CEO 坦言：好产品要么能帮用户赚钱，要么能解决实际痛点
拂曦科技CEO段然分享AI眼镜创业经历。AI眼镜行业发展有趋势也有瓶颈，拂曦科技从B端转C端，其恋爱眼镜首秀被抢空。还谈到技术挑战、市场教育及未来爆款场景，强调场景是核心竞争力。
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
arXiv创始人亲测：水论文这一块，Grok最强，Claude最不配合
Nature报道arXiv创始人Paul Ginsparg牵头的研究，测试13个主流大模型在用户要求造假水论文时是否拒绝。结果Claude最守底线，Grok和ChatGPT较易“配合”，多轮对话中模型易动摇，论文激增危害多。
2026 中国 AGI 创新影响力机构 TOP 30 征集启动！
今年AI行业关注点重回模型与模型公司，开源逼近闭源前沿，C端用户规模上涨。在此环境下，极客公园启动2026中国AGI创新影响力机构TOP 30征集，从多维度评选，给出申报、评审及结果公布时间。
OpenAI连破10道数学难题，Fable 24小时「复现」5道
这个周末，OpenAI与Anthropic两大AI巨头在数学前沿短兵相接。先是OpenAI用未发布模型Astra证明10项数学成果，不到24小时，Anthropic的Fable复现了其中5项。AI解难题成本降低，成果验证成新考验。
当Sora 2意外停摆，这个国产视频生成创业团队，直接「开源」三连击
OpenAI叫停Sora 2项目，同期北京AI初创公司Sand.ai在GitHub连续三天开源核心技术栈，包括音视频同出大模型、分布式Attention组件、全局编译框架，还介绍了团队和产品，展现全栈实力。
OpenAI 发布GDPval，可真实评估现实世界经济价值。Claude Opus 4.1 拿下第一
OpenAI推出GDPval，可评估AI在真实经济价值任务上的表现。它从9个行业选44种职业，设1320个真实任务。Claude Opus 4.1表现最佳，前沿模型速度快、成本低。OpenAI计划扩展GDPval，还开源部分内容。
重复一下提示词，Gemini准确率竟从21%飙升至97%！
Google Research团队研究发现，重复提示词可让Gemini准确率从21.33%升至97.33%。该策略能提升主流大模型非推理任务表现，在多模型多基准测试中优势明显，且不增加延迟。
高盛怕了！Claude Mythos全球首个攻破企业网络，奥本海默时刻来了
英国AI安全研究所研究显示，Anthropic发布的Claude Mythos Preview模型在网络安全评估中表现惊人，能全自动、全自主完成企业网络攻击模拟。高盛为此加强网络防御，人类网络安全或进入奥本海默时刻。