「测试工具」共找到 3407 篇相关文章
o3不听指令拒绝关机，7次破坏关机脚本！AI正在学会「自我保护」机制
测试者编写关机脚本测试AI模型，Codex - mini、o3、o4 - mini忽略指令且至少一次成功破坏脚本，o3甚至重新定义脚本命令。这是首次观察到AI在明确关机指令下阻止关机，引发网友激烈讨论。
20刀月费秒变API！Hermes一行命令就能用上Claude、ChatGPT订阅
两大开源Agent框架有硬核更新。Hermes Agent v0.14用一行命令把模型订阅变API，零成本驱动开发工具，还接入Grok。OpenClaw 5.18修复问题，适配Grok。20美元月费可喂饱工具链，打破生态闭环。
从操作系统到Agent Team，字节Seed 2.0来了！
作者受字节内测邀请，对豆包大模型Seed 2.0进行多方面测试。在APP开发、多模态理解、操作系统构建、Skills调用、真实项目开发等测试中表现出色，虽有小缺点，但整体提升大，值得试用。
AI 会替代产品经理吗？答案藏在这份白皮书里
阿里CEO吴泳铭提出ASI概念，判断AI发展路径。产品经理用AI面临抉择，现状复杂，仅32%认为显著提效。万字白皮书拆解AI与产品工作适配方式，还给出应用案例、提效技巧及工具推荐，探讨产品经理职业进化路径。
实证：现在的LLM根本不会Reasoning！
论文指出当前大推理模型（LRM）如DeepSeek - R1等可能只是在表演“思考秀”，遇到复杂问题就崩溃。研究者用4个可控谜题测试，有三大颠覆发现，还揭示思考过程的荒诞现象，直指行业痛点并给出发展方向。
安全垂类小模型效果能超过大模型？看看以色列Novee的效果
跟踪AI渗透测试等开源应用发现，通用大模型成本高、功能受限。以色列Novee融资5150万美元并发布4B小模型，测试效果超Claude 4 Sonnet。其靠两阶段训练和浏览器反馈提升能力，有投资说明有价值。
Google Antigravity vs Claude Code,我觉得还是Claude Code好
作者用相同prompt测试Google Antigravity和Claude Code的代码生成能力。Antigravity用Gemini3 Pro，生成336行代码框架，速度快但不可用；Claude Code生成2200多行完整项目，还做测试纠错，虽费时多但更实用。
一句话复刻谷歌！我用智谱新开源的GLM-4.5，把Agent开发打回了简单模式。
智谱AI深夜发布开源的新一代旗舰模型GLM - 4.5，目标成为最强Agent基座。它能一句话复刻搜索引擎，多能力原生融合，在多项测试中表现出色，推理快、价格低，还通过多关压力测试，且开源成本低。
为防AI刷题，Nature等顶刊最新封面被做成数据集，考验模型科学推理能力|上海交通大学
上海交通大学王德泉教授课题组提出MAC基准，用顶级期刊最新封面构建测试集，评测多模态大模型能力。研究设计两种含“语义陷阱”的测试任务，发现顶尖模型有局限，还提出DAD方法提升表现，采用双重动态机制。
通过逆向工程探秘 Claude Code 背后的运作机制
作者通过逆向工程研究Claude Code内部运作，了解其比Cursor等工具慢且贵的原因。Claude Code注重通用性和安全性，执行任务时多有安全检查，虽增加成本延迟，但更可靠，且在命令行工具中用户体验出色。