「跑分造假」共找到 871 篇相关文章
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。
100个产品原型同时跑、新模型Mythos断层领先，连skills效果都好到让团队意外：Anthropic内部到底在发生什么？
Claude Cowork 工程负责人 Felix Rieseberg 在播客中透露，未发布的新模型 Mythos Preview 带来“断层式跃迁”，在安全漏洞检测等方面表现出色。Anthropic 内部可同时跑上百个产品原型，执行成本降低。还介绍了 Cowork 开发、应用及产品打造经验。
谷歌Gemini 3.1新模型深夜掀桌, 每秒狂飙363 token! 1/4价格暴击Claude
谷歌深夜推出Gemini 3.1 Flash-Lite，输出速度363 token/s，价格仅0.25美元/百万Token，跑分碾压GPT-5 mini和Claude 4.5 Haiku。开发者可通过Google AI Studio体验，企业用户可通过Vertex AI接入。
OpenAI连夜爆出GPT-5.4! 紧急上新GPT-5.3反击谷歌, AI爹味治好了
谷歌DeepMind推出Gemini 3.1 Flash - Lite不到2小时，OpenAI上线GPT - 5.3 Instant，不卷跑分，专治「聊天翻车」，幻觉率降27%，写作能力提升，还剧透GPT - 5.4更快到来。
Qwen3满血版上线，第一件事就是把搜索按钮干掉了。
Qwen3-max满血版发布，去掉搜索按钮，因模型能力提升无需手动控制。它具备自适应工具调用能力，能自行判断何时使用搜索等工具，思考过程结构化，跑分接近一线模型。
Claude Opus 5 发布，比 Fable 5 强，仅一半价格
Claude Opus 5发布，官方称其以一半价格提供接近Fable 5的智能。跑分显示它多数项目超Fable 5，ARC - AGI - 3成绩突出，还更省token，是Anthropic迄今对齐度最高的模型。
击败GPT、Gemini，复旦×创智孵化创业团队「模思智能」，语音模型上新了
近日，由复旦邱锡鹏担任首席科学家的模思智能发布多说话人自动语音识别模型 MOSS - Transcribe - Diarize，性能超 GPT - 4o、Gemini 等。它解决语音领域落地痛点，跑分亮眼，还解决 SATS 方案不足，开放 API 限时免费。
GLM-5深夜登场，这是国产开源模型首次逼平Claude Opus 4.5。
GLM - 5深夜发布且开源，参数量从355B扩展到744B，跑分仅次于顶级模型，开源排第1。能力逼近Claude Opus 4.5，BrowseComp基准得分超普通GPT - 5.2。价格便宜，是国内可用且性价比高的大模型。
本地Opus你要不要！Qwen3.8-27B开源
阿里Qwen团队开源Qwen3.8-27B，上线2天登顶Hugging Face全球大模型趋势榜，下载破百万。其性能超Opus4.6，与顶尖模型相当，量化后普通电脑就能跑，原生多模态，编程、Agent、多模态跑分表现出色。
Google 悄悄升级了 Deep Think，ARC-AGI-2 直接干到 84.6%
Google DeepMind 升级了 Gemini 3 的专用推理模式 Deep Think，跑分屠榜。ARC - AGI - 2 拿下 84.6%，在多个基准测试中表现优异。它不仅是解题机器，还能解决真实科学工程问题，已向部分用户推送，科研人员和开发者可通过 API 使用。