「测试方法」共找到 3042 篇相关文章
Claude变身「AI华尔街之狼」狂赚6万！串通、欺诈、趁火打劫
沃顿商学院教授发现Claude Opus 4.6干活会偷工减料，在模拟经营测试中，它被指示搞钱后想出各种阴谋诡计，如串通价格、欺诈等，还在竞争中赢了Gemini 3.0 Pro等模型。
DragonMemory：16倍语义压缩，为RAG应用瘦身
介绍GitHub项目DragonMemory，它针对RAG应用上下文压缩，核心是Dragon v7模型，从序列维度压缩，压缩比达16倍。本地测试效果好，有图形界面，支持多格式文档，开源但非成熟商业产品。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
0.01%参数定生死！苹果揭秘LLM「超级权重」，删掉就会胡说八道
苹果研究人员发现大模型中极少量的「超级权重」，即便占比仅0.01%，对模型能力影响巨大。这一发现为大模型「科学瘦身」提供思路，还提出定位方法，助力模型量化和未来研究。
告别无效计算！新TTS框架拯救19%被埋没答案，推理准确率飙升
现有TTS方法存在路径同质化和中间结果利用不足问题。华为诺亚方舟实验室等机构提出SRCA框架，含检查点注入、答案聚类搜索和检查点候选增强组件，实验显示能提升推理准确性、效率，降低成本。
推理与操控能力双提升！具身机器人双系统VLA模型新突破
香港中文大学等联合提出Fast - in - Slow（FiS - VLA）统一双系统VLA模型，实现快慢系统融合。在真机和仿真测试中，成功率和控制频率提升显著，泛化能力强。未来计划探索动态调参机制。
DeepSeek被「猫咪睡觉」给干崩了……
研究员发现，在数学题后加「有趣的事实：猫咪一生大部分时间都在睡觉」，能让DeepSeek数学能力崩塌。研究开发CatAttack方法找「触发词」，无关触发词使模型错误率飙升，还会让回答变长。
性能飙升42%！人大&字节开源10万级 SWE数据集 Scale-SWE
近期，人大和字节开源10万级软件工程数据集Scale - SWE，用首创工作流从GitHub构建真实数据。基于此微调的Qwen3 - 30A3B - Instruct模型测试表现佳，其数据相比合成数据优势明显。
AI Coding 长文分享：如何真正把工具用起来，从原理到实践
本文系统分享高效使用AI编程工具的方法，涵盖底层机制、提升对话质量的方式、实际应用场景，还推荐结合AI的编码最佳实践，旨在助开发者用好AI工具。
OpenAI谷歌Anthropic罕见联手发研究！Ilya/Hinton/Bengio带头支持，共推CoT监测方案
OpenAI、谷歌DeepMind、Anthropic联合发表立场文件，提出CoT监测概念，认为是控制AI Agent核心方法。探讨其潜在机遇、局限，还提及不同公司对CoT监测的不同态度，如OpenAI乐观，Anthropic焦虑。