「端到端测试」共找到 4033 篇相关文章
全球首个历史基准!普林复旦打造AI历史助手,AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题,能检验AI深度认知能力;HistAgent集成多种工具,在测试中表现优异。
华为推出软工代码智能体SWE-Lego,解锁SFT训练极致性能
华为研究团队推出仅基于监督微调(SFT)的软件工程代码智能体SWE-Lego,无需复杂RL流程,在SWE-bench Verified基准中表现出色,项目已开源。它有数据、训练和测试时扩展三大创新。
刚刚,阿里旗舰模型Qwen3-Max-Thinking发布,编程能力“踢馆”Gemini与Claude
阿里发布旗舰模型Qwen3-Max-Thinking,总参数超1万亿,在多项权威基准测试中表现优异,可与顶级闭源模型竞争。千问团队为其引入两项核心创新,提升推理性能,该模型已可免费体验。
30 小时不眠不休写代码,Claude 4.5 的三个“最佳”
Anthropic发布Claude Sonnet 4.5,宣称其为“世界上最好的编码模型”等。它在测试中表现出色,能力全面提升,价格实惠,开发者测试效果佳。还注重安全,升级开发工具和生态系统。
龙虾之后,为什么说「主动式智能」才是Agent的终极形态?
OpenClaw爆火展现AI Agent主动性,但止步屏幕。Looki最新上线Proactive Intelligence Engine,将自动驾驶工程范式迁移到可穿戴设备,实现从被动到主动的跨越,面临技术和隐私挑战。
Pinterest 工程通过运行时感知分片将 Android CI 构建时间缩短了 36%
Pinterest 发布技术案例研究,介绍工程团队通过运行时感知的测试分片策略和内部测试平台,将 Android CI 构建时间缩短超 36%,还对比了其他公司提升 CI 性能的做法。
AMD新论文颠覆认知:FP4训练不稳定,原因不是随机性不足
大模型训练成本高,降低训练精度可降成本。AMD联合宾州州立大学论文颠覆认知,揭示FP4训练不稳定源于结构性微缩放误差,非随机性不足,还在原生FP4硬件完成大模型预训练。
优必选「拆墙」:具身智能行业等了三年的「安卓时刻」来了吗?
4月23日,优必选在FAIR plus 2026机器人全产业链接会期间发布开发者专属社区「Thinker Cosmos」。该平台能连接场景需求与开发者,解决行业痛点,以分层服务构建生态,还提及聚焦家庭场景刚需点。
面向业务落地的AI产品评测体系设计与平台实现
文章聚焦淘宝闪购技术部AI产品评测,先介绍AI业务应用场景与评测挑战,接着阐述评测体系从多方面思考的要点,包括评价维度、评测方式等,还提及平台建设成果,最后展望未来多模态评测等规划。
刚刚,智谱推出全球首个手机通用Agent,人人可用
智谱发布新版AutoGLM,是全球首个手机通用Agent。它为用户配备云端手机,能在不影响用户操作的前提下完成各类任务,还在技术上有重大突破,成本更低,代表全新互联网流量。