「软件评测」共找到 1195 篇相关文章
VL-LN Bench：模拟「边走边问找具体目标」的真实导航场景
上海人工智能实验室等研究者完成VL - LN Bench，模拟真实导航场景。它构建自动化数据收集管线，依托InternVLA - N1训练评测。结果显示主动对话可提升表现，但当前方法在实例感知对齐等环节有短板。
Claude统治一切！吞下这颗红药丸，焊工也是顶尖程序员
一种被称为「Claude - pilled」的现象在硅谷蔓延，焊工、律师等非程序员用Claude Code写APP，程序员护城河渐崩。但工程师用它后学习速度下降，社区探索让AI成导师的办法，且软件开发范式正转变。
当200位具身从业者被拉进同一个屋子
量子位等联合发起沙龙，近200位具身从业者探讨具身智能从实验室走进物理世界的问题。乐聚工程师指出具身数据瓶颈，蚂蚁灵波郑可成介绍模型，上海交大李永露分享评测基准，圆桌对话探讨数据挑战与破局路径。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。
贴脸对打Opus 4.5！最新Codex自己写自己，网友实测“放手”8小时不崩
Claude Opus 4.6发布不到半小时，OpenAI就上线GPT - 5.3 - Codex，这是其最强的Agent化编程模型。它多项跑分超Claude Opus 4.6，网友实测长链路稳定性好，虽慢但稳。OpenAI总裁称Agent正重构软件开发。
震撼！0人类，16个Claude全自主开发，2万美元十万行代码成功运行Linux
Anthropic研究员用Claude Opus 4.6智能体团队自主编写超十万行代码的C语言编译器，能运行《毁灭战士》、编译Linux内核。团队用拉夫循环等机制让Claude自主开发，虽有局限但全自动软件开发时代已提前降临。
华为版CUDA，全面开源了
华为宣布为昇腾AI GPU开源CANN软件工具包及Mind系列套件、工具链，让昇腾更好用。CANN类似华为版CUDA，目前到8.0版，支持多深度学习框架。同日，传奇GPU架构师创业公司浮出水面，挑战英伟达。
MiniCPM-o 4.5 技术报告发布：全双工全模态 API 开放，RTX5070即可实时运行
面壁智能联合多机构发布 MiniCPM-o 4.5 技术报告，公开 Omni-Flow 框架。该模型 9B 参数实现端到端全双工全模态，开放在线 Demo、API 等，最低 12GB 显存 GPU 可运行，在多维度评测表现出色。
SaaS 已死？不，SaaS 会成为 Agent 时代的新基建
文章指出AI Agent不会杀死传统软件系统，传统SaaS系统会成Agent时代的新基建。企业内部数据混乱，Agent能力上限取决于对数据的运用，CRM、ERP等系统将从服务人转向服务Agent，记录系统会被拆解重构。
困住医疗AI的死循环，终于有国产玩家跑通了
文章指出医疗AI行业因数据、模型、场景闭环断裂陷入困境，整体渗透率低。讯飞医疗的星火医疗大模型V3.5评测和临床落地表现出色，其构建自强化循环体系，跑通死循环，或使行业马太效应渐显。