「评测标准」共找到 946 篇相关文章
Kimi Work 推出目标模式：连肝 24 小时做了本漫画书，已开源
Kimi Work 推出目标模式，设定完成条件可自动工作至达标。与 Claude Code、Codex 有差异，还具 Agent 集群能力。作者用其复刻 Logo、转换论文格式、制作漫画书并开源，指出目标模式类似模型训练。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
OpenClaw 类自主智能体生态构建
文章围绕OpenClaw类自主智能体生态展开，从生态视角、记忆系统、上下文管理等多方面阐述其构建，还分析了安全风险、治理体系、角色分工及面临的挑战与机会，为理解和发展Agent生态提供参考。
有人只用API就猜出了GPT、Claude、Gemini的参数量？社区吵翻了
研究人员李博杰在arXiv发布论文，提出“不可压缩知识探针”评测框架，仅通过黑盒API调用逆向估算LLM参数规模，给出GPT-5.5等模型参数量估算，引发社区广泛讨论与争议。
Google开源DESIGN.md。玩AI，今年最该知道的Markdown！
Google开源DESIGN.md格式规范，对用AI coding的人很实用，可约束产品UI设计。开源社区已有70+大厂的DESIGN.md及自动提取的开源项目。还有汇聚大厂设计规范的仓库及可自动生成的工具，或成行业标准。
具身智能的「GPT时刻」？高德连发两个全面SOTA的ABot具身基座模型
过去几年，机器人行业面临模型与数据绑定特定场景、能力难以泛化的问题。近日，高德发布 ABot 系列具身基座模型，补齐行业能力缺口，标志具身智能从定制系统转向统一模型，有望降低开发门槛。
社区供稿丨AgentCPM-Explore开源，4B 参数突破端侧智能体模型性能壁垒
清华大学、中国人民大学等联合研发的 AgentCPM-Explore 智能体模型开源，它基于 4B 参数，在深度探索类任务表现佳。有打破参数壁垒等亮点，还开源配套工具，提供应对小模型挑战方法，邀伙伴共建生态。
专为小说、角色扮演等而生：元象开源泛娱乐场景底座模型
元象作为AI与3D技术服务公司，此次开源XVERSE-Ent系列中英双语大模型。它采用MoE热启动技术与三阶段训练策略，解决泛娱乐场景痛点，适配多元语境，有高部署性价比，为行业提供泛娱乐AI解决方案。
Ilya罕见发声：大模型「大力出奇迹」到头了
Ilya大神在近2万字采访中称，AI正从「规模时代」走向「科研时代」，主流「预训练 + Scaling」路线遇瓶颈。他还探讨了AI泛化、安全对齐、预训练范式等热门话题，给出独特见解。
小红书提出DeepEyesV2，从“看图思考”到“工具协同”，探索多模态智能新维度
小红书推出多模态模型DeepEyesV2，它延续视觉推理优势，实现代码执行、网页搜索和图像操作的全工具协同。通过多工具协同推理解决复杂问题，采用两阶段训练策略，准确率远超开源模型。