「评测体系」共找到 1162 篇相关文章
3B模型性能小钢炮，“AI下半场应该训练+验证两条腿跑步”丨上海AI Lab&澳门大学
上海AI Lab和澳门大学联合发布通用答案验证模型CompassVerifier与评测集VerifierBench，填补Verifier领域循环迭代体系空白。AI下半场评估比训练更重要，当前验证方法有困境，新模型验证精度高且能用于强化学习。
刚刚，DeepSeek V4 Pro正式版发布！
周三晚间，DeepSeek 突然发布 V4 Pro 大语言模型正式版，命名为 DeepSeek - V4 - Pro - 0813，官方未调升 API 使用价格。有用户称调用的 V4 Pro 思维链风格有变，跑分显示其 Agent 评测表现可媲美顶级模型，还撞车了马斯克的 Grok 4.6。
42%的代码是AI写的，可96%的开发者不信它：谁敢拍板说“上线”？这成了2026年最大挑战
Sonar《开发者代码现状调查报告》显示，72%开发者每天用AI编码，42%代码由AI生成或辅助完成，但96%开发者不信任。AI虽加快代码生成，却拖慢审核等后续流程，还带来新的低效工作。企业需建立审核体系，正视代码信任危机。
9B“小”模型干了票“大”的：性能超8倍参数模型，拿下23项SOTA | 智谱开源
智谱发布并开源仅9B大小的模型GLM-4.1V-9B-Thinking，在28项评测中拿下23个SOTA，成10B级别最佳VLM模型。它引入思维链推理机制，通过课程采样强化学习提升能力，还获10亿投资。
大模型API的大众点评来了：7×24小时实测，毫秒级延迟智能路由，选API必备
清程极智推出的AI Ping像大模型API领域的大众点评，用7×24小时实测数据为开发者提供参考，解决信息差和重复劳动问题。它有持续评测榜单、智能路由匹配等功能，还统一了API度量衡，推动选型从经验走向数据驱动。
蚂蚁·安诊儿医疗大模型：正式开源并登顶权威医疗榜单
近日，蚂蚁集团联合浙江省卫生健康委开源自研的蚂蚁·安诊儿医疗大模型。它基于蚂蚁百灵大模型架构，经深度训练，是参数规模最大的开源医疗模型。该模型在多评测中表现出色，有三阶段训练流程，架构高效、推理快，已开源助力行业发展。
银河通用完成25亿元新一轮融资，具身智能“头号玩家”现身｜甲子光年
2026年初具身智能公司融资热起，银河通用完成25亿元新一轮融资，估值超200亿。其自主研发具身智能数据体系与大模型，春晚亮相后产品畅销，在工业和服务端均有成果，具身智能迈向产业化。
00后下场整顿Agent：啥都不学就能用好AI，这才是正确打开方式
AI圈模型变强但使用门槛变高，00后团队打造的胖鹅AI以低提示词为卖点，实测在生成视频、数据看板网页等方面表现出色。其核心是SOP体系，让AI适应人的习惯，降低使用门槛。
基于Memory Bank的Cursor长会话记忆内存库理论研究与实践
文章围绕Memory Bank展开，介绍其为解决大模型长会话记忆瓶颈而设计的机制，包括存储、检索、更新模块。阐述其在编程和知识库建设的应用，还评测了Codelf等工具，指出Memory Bank是AI迈向智能的重要一步。
5Y News｜地瓜机器人完成1.2亿美元B1轮融资
日前，地瓜机器人宣布完成1.2亿美元B1轮融资，A、B轮融资总额达2.2亿美元。本轮融资汇聚多方资本，将支撑其全栈技术研发与产品迭代。它构建完善产品体系，与头部客户合作成果丰硕，还和地平线深度合作。