「评测报告」共找到 1014 篇相关文章
DeepSeek-V3.2正式版发布，将开源模型的能力推向极致
DeepSeek-V3.2正式版开源，包含标准版和Special版。它采用稀疏注意力机制，降低计算复杂度。后训练阶段有多项算法改进，支撑高难度推理。还融合思考与工具使用，合成训练数据，在智能体评测表现优异。
“美国大豆包”Gemini翻身：输出速度碾压同行、智能水平重回第一梯队
过去 Gemini 被吐槽，如今 Google 推出 Gemini 3.8 Flash，六周内第三款 Flash、四个月内第四次更新。新模型成绩佳，输出快，成本低，智能体评测进步大，从经济型选项成生产主力，但实际表现待检验。
42%的代码是AI写的，可96%的开发者不信它：谁敢拍板说“上线”？这成了2026年最大挑战
Sonar《开发者代码现状调查报告》显示，72%开发者每天用AI编码，42%代码由AI生成或辅助完成，但96%开发者不信任。AI虽加快代码生成，却拖慢审核等后续流程，还带来新的低效工作。企业需建立审核体系，正视代码信任危机。
VL-LN Bench：模拟「边走边问找具体目标」的真实导航场景
上海人工智能实验室等研究者完成VL - LN Bench，模拟真实导航场景。它构建自动化数据收集管线，依托InternVLA - N1训练评测。结果显示主动对话可提升表现，但当前方法在实例感知对齐等环节有短板。
Anthropic最新经济指数：AI让高学历任务提速12倍，但也可能让你的工作“降级”
Anthropic通过‘经济指数’项目，对Claude.ai和其API对话分析。最新报告引入‘经济基元’，基于2025年11月样本分析，揭示AI对任务、职业和总体影响，如让高学历任务提速12倍，也可能致岗位‘技能降级’。
以小博大！Nanbeige4-3B重磅开源：硬刚Qwen3，挑战小模型能力新高度
近年来大语言模型参数膨胀，成本升高，业界重注小语言模型。近日，Boss直聘南北阁大模型实验室发布仅30亿参数的Nanbeige4 - 3B，在多方面媲美甚至超越通义千问Qwen3系列模型，开源印证小模型潜力。
AI Agent 落地之困：为什么“人”与“流程”是最大障碍？
本文解读 MMC 报告，揭示 AI Agent 落地面临核心挑战、衡量标准、付费模式及落地策略。指出最大障碍是‘人’与‘流程’问题，如工作流集成、员工抵触、数据隐私等，还提及企业付费情况和成功落地秘籍。
Google AI搜索革命的代价：网站流量暴跌一半，内容创作者哭了
皮尤研究中心报告显示，Google的AI概览功能使网站点击率狂跌近50%，其扩张速度惊人。用户看到AI概览后倾向直接结束搜索，内容创作者流量和收入锐减。Google回应称研究数据有问题，且AI还存在幻觉隐患。
当200位具身从业者被拉进同一个屋子
量子位等联合发起沙龙，近200位具身从业者探讨具身智能从实验室走进物理世界的问题。乐聚工程师指出具身数据瓶颈，蚂蚁灵波郑可成介绍模型，上海交大李永露分享评测基准，圆桌对话探讨数据挑战与破局路径。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。