「评测榜单」共找到 1218 篇相关文章
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。
时隔多年，AI芯片又是华为发布会主角了
华为全联接大会上，轮值董事长徐直军带来全球最强算力超节点和集群。公布昇腾、鲲鹏芯片未来2年演进规划，还开创灵衢互联协议。虽单芯片受限，但集群层面有望实现超越。
腾讯与中科院联合提出R-4B，一个能自动决定是否思考的多模态大模型
多模态大语言模型“始终思考”模式有缺陷，腾讯混元团队与中科院自动化所联合提出R - 4B，通过双模式退火训练和双模式策略优化实现自动思考，在多评测中达SoTA，省资源且效果好。
具身智能机器人年度总结，来自英伟达机器人主管
英伟达机器人主管Jim Fan在2025年末判断机器人领域仍处蛮荒时代。他指出该领域缺乏统一评测体系，硬件进展快但可靠性不足限制软件迭代，VLM→VLA技术范式有问题，还分享了数据、模型等方面情况。
UserBench 与 UserRL 带来的交互智能范式转向
当下大模型在与用户交互时存在不足，来自UIUC与Salesforce的UserBench和UserRL两篇新作，将‘用户价值’量化，把‘可测的交互’转化为‘可训练的策略’，从评测和训练层面推动模型向‘懂用户’转变。
梁文锋突袭马斯克！DeepSeek V4 Pro对战Grok 4.6，首测夯爆了
梁文锋凌晨发布DeepSeek V4 Pro正式版，马斯克推出Grok 4.6，二者在多项评测中表现出色，直逼OpenAI和Anthropic顶尖模型，还降低了前沿智能价格。首测中，二者在真实任务场难分伯仲。
终端已死，Agent终端万岁：Warp一天暴涨1.2万星背后的开发者工具革命
4月29日，Warp在GitHub单日涨近12000星，总星数破4万。其定位从普通终端转变为Agent式开发环境，这表明开发者对AI原生终端需求真实且被低估，Agent化已成产品核心竞争力。
The Batch: 919 | 本地 AI 能否替代云端？
大语言模型预测输出需求推动数据中心扩建，研究人员探讨本地小型模型能否分担算力负荷。斯坦福与Together AI团队研究发现，本地系统单瓦特智能量与云端有差距但在缩小，若准确率相近可节省能耗。
展览聚焦｜类型叙事中的技术、情感与未来主义
中间美术馆正展出“抛锚歌单”，汇集16位中瑞艺术家作品。本文聚焦艺术家杨迪，他以影像和装置为媒介，借类型文学与电影叙事框架探讨科技时代困境。其作品揭示虚拟迁徙代价，还分享创作相关看法。
全球第二、国内第一！钉钉发布DeepResearch多智能体框架，已在真实企业部署
在数字经济浪潮中，企业对高效信息获取与决策支持需求迫切，但现有研究系统存在不足。阿里巴巴钉钉团队提出Dingtalk - DeepResearch多智能体框架，在评测中成绩优异，已在真实企业场景部署。