「测试套件规模」共找到 2132 篇相关文章
成功率最高暴跌36.9%！南洋理工首个“模糊指令”测试，直击具身智能落地软肋
南洋理工大学MARS Lab团队联合发布测试基准REI-Bench，量化现有具身智能大模型缺陷。在其测试下，主流任务成功率最高降36.9%。研究还剖析错误原因，给出解法，望引起学界重视。
用「进化+压力测试」自动生成的竞赛级编程题，各家大模型谁更hold住？
北京大学与通用人工智能研究院联合提出 UniCode 框架，构建进化式评测系统，能自动生成高质量算法题目与抗污染测试用例。通过对 19 个前沿大模型测试，展现高挑战性与强判别力，为代码能力评估开辟新路径。
浙大打造全球最大类脑计算机，拥有20亿个神经元，接近猕猴大脑规模，能运行DeepSeek
浙江大学脑机智能全国重点实验室发布全球规模最大类脑计算机“Darwin Monkey（悟空）”，用Darwin 3芯片构建，有超20亿脉冲神经元与1000亿突触连接，逼近猕猴大脑规模，能运行DeepSeek等应用。
国货之光！全球AI存储基准测试MLPerf Storage 3.0结果发布，斩获九项第一｜甲子光年
9月1日，MLPerf Storage 3.0基准测试结果发布，XSKY星辰天合旗下MeshFS首次参赛，在并行文件存储赛道获九项第一。该测试覆盖多类负载，可多维度衡量存储系统性能，MeshFS兼顾性能与成本效率。
Grok 4基准测试被爆极其优异，人类终极考试成绩飙升到45%，碾压o3 和Gemini的20%
API开发者曝光Grok - 4和Grok - 4 Code测试成绩，HLE达35%，推理后飙升到45%，远超o3和Gemini的20%。其他测试也表现优异，但成绩引发争议，有人质疑数据污染，也有人支持，目前数据未官方证实。
4万星开源项目被指造假！MemGPT作者开撕Mem0：为营销随便造数据，净搞没有意义的测试！
高人气开源智能体记忆项目Mem0在论文中称在LOCOMO上打败所有人，MemGPT联合创始人公开指控其测试无意义、数据造假。二者都为解决大模型长期记忆问题，Letta认为能力比工具重要，并给出评估智能体记忆能力的方法。
8B模型任务击败GPT-5？阶跃星辰开源Deep Think新框架，小模型解锁百万Token测试时计算
阶跃星辰推出并行协同推理框架PaCoRe，让大模型突破上下文窗口和处理速度限制。基于此框架，小模型能解锁百万级Token测试时计算。PaCoRe - 8B在数学基准测试中超越GPT - 5，还具备前沿性能、“综合”能力涌现等优势。
马斯克周末血裁xAI 500人
上周四晚，xAI内部突袭测试，淘汰率达33%，超500人被裁。此前其数据标注团队规模持续增长，多为直聘。此次战略转变，将扩专业标注员规模，或押注垂直行业AI。
豆包要收费了：三档订阅最贵500元/月，保留免费基础版
五一假期时，豆包要收费的消息冲上热搜。苹果App Store已现订阅服务声明，分三档，最贵500元/月，目前仅测试，正式上线会发完整信息，且保留免费版。豆包APP日活、用户新增和规模都断层领先。
ChatGPT正测试神秘功能
ChatGPT正测试名为“Study Together”的新功能，已出现在部分订阅用户工具列表。它或更多提问题让用户回答，似回应谷歌LearnLM，还可能支持多人学习小组模式，有望减少其被滥用可能。