「基准测试平台」共找到 3278 篇相关文章
西湖大学科研版NanoBanana开源！科研绘图从此自动化
西湖大学将科研版NanoBanana开源，其AutoFigure框架可自动化生成学术插图且能编辑，论文被ICLR 2026接收。该框架提出理性渲染范式，配套FigureBench基准测试集，表现超越人类预期。
ClawdBot传疯了！视频教程来了
外网疯传的ClawdBot由开发者Peter Steinberger开发，能通过多平台交互干活。介绍其技术架构、两种设置方式、成本，还有安全设置、测试方法、进阶功能、使用场景及硬件选择等。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
近日，智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，打破具身智能演进制约。
刚刚，Claude Code大升级！卡帕西：LLM第三次变革
Anthropic发布企业协作工具Claude Tag，定位为Claude Code进化版，更擅团队协作。约65%产品代码由其参与完成，卡帕西称是LLM用户界面第三次变革。它能深入企业工作流，已在Slack测试。
刚刚，奥特曼放出ChatGPT「统一智能体」！惊呼真AGI，最卷打工人来了
奥特曼带队直播发布ChatGPT agent，它融合三大技术优势，可自主工作，还能上网直出PPT、Excel。在多项测试中刷新SOTA，2025年将成全新AI杠杆，解锁「超级个体」模式。
让AI自动构建AI模型：UCSD 推出 AIBuildAI 智能体，斩获OpenAI MLE-Bench榜单第一
近日，加州大学圣地亚哥分校研究团队开发 AIBuildAI 智能体，可全自动构建 AI 模型。它在 OpenAI MLE - Bench 基准测试 75 个任务上以 63.1% 获奖率居榜首，实现端到端自动化。
通义实验室最新成果WebDancer：开启自主智能Deep Research的新时代
通义实验室推出 WebDancer，解决自主信息检索智能体构建难题。它创新合成训练数据，采用两阶段训练策略应对开放网络训练挑战，在多个基准测试中表现卓越，未来还将拓展能力。
「重要性采样」并不「重要」？快手清华ASPO攻克重要性采样权重错配
快手与清华合作团队发现大语言模型结果监督强化学习中，重要性采样机制“失灵”，存在权重错配现象。为此提出算法ASPO，在多基准测试中展现优势，训练更稳定。
Anthropic万名工程师都离不开！深夜随手撸出的开源神器，被OpenAl高价收购，23人创业逆袭
昨日，OpenAI 宣布收购 AI 安全初创公司 Promptfoo，其技术将整合进 OpenAI Frontier 平台。该公司由 23 人创立，开发开源工具测试 AI 系统安全。收购后 Promptfoo 保持开源，OpenAI 将新增相关功能。
AI智能体也有「蜘蛛感应」，防御延时骤降至8.3%
传统Agent防御机制易致延时积累，研究者联合推出Spider - Sense智能体防御框架，利用两大核心技术将防御延时从200% + 降至8.3%，在主流数据集和新基准测试中表现优异。