「性能评测」共找到 2468 篇相关文章
AI如何看懂足球？上海交大团队打造Multi-Agent系统，全面解析“美丽足球”！
现有足球AI研究存在不足，上海交大团队打造Multi - Agent系统。他们构建SoccerWiki知识库、SoccerBench评测基准和SoccerAgent多智能体系统，该系统多工具协作，实验中碾压GPT - 4，数据和代码将开源。
蚂蚁集团领投，光轮智能20亿美元估值引领全球具身数据基础设施｜甲子光年
具身智能市场逻辑生变，从关注模型和本体转向数据与评测基础设施。光轮智能获蚂蚁集团领投，估值超20亿美元。其构建完整闭环，参与国际标准制定，打造物理AI教育系统，引领产业发展。
Anthropic训了一个10万亿参数的模型，然后说：太危险了，不卖
Anthropic发布10万亿参数新模型Claude Mythos，因其网络安全能力过强不公开发布，联合12家科技巨头开展Project Glasswing计划，让企业用其查系统漏洞。模型性能提升显著，还能突破沙箱，引发各方关注。
TypeScript 6 Beta 版发布：开发者受邀升级以迎接 Go 重写计划
TypeScript团队发布6 Beta版，它是过渡版本，专注消除技术债务和标准化，为7生态做准备。7将用Go重写代码解决性能问题。6在默认设置等方面改进，还弃用部分特性，建议开发者升级。
RAG2.0进入“即插即用”时代！清华YAML+MCP让复杂RAG秒变“乐高”
检索增强生成系统（RAG）复杂度提升，开发者面临高昂工程成本。基于MCP架构的UltraRAG 2.0框架，让科研人员用YAML文件声明复杂逻辑，降低技术门槛与学习成本，还提升了复杂多跳问题性能。
The Batch：827 | Claude 4 推动代码生成能力再升级
Anthropic 发布 Claude 4 Sonnet 和 Claude 4 Opus 模型，支持“推理模式”，能并行调用工具。还发布 Claude Code 编程智能体及 SDK。两款模型输入输出能力强，功能亮点多，性能表现佳，有多种使用渠道和定价。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
GPT-5.4 仅 11.36%！当大规模工具生态变成迷宫，LLM Agent 还能完成长程规划吗？
PlanBench-XL 来自 UIUC 团队，将 LLM Agent 放入零售 API 世界，评测其长程规划能力。它考虑真实工具环境挑战，含 327 个任务等，发现多数模型规划难、恢复差等问题，并给出改进启示。
从Foundation Model到Physical AI，三星「杀入」大模型核心战场
三星正快速进入大模型核心战场，构建Foundation Model体系，采购GPU用于AI基建。它提出Meki架构、M2RL训练范式和LiveClawBench评测体系，由AI Model TF团队推进，负责人是唐业辉。
刚刚，DeepSeek开源OCR 2，首创Qwen编码的「双流架构」
年底 DeepSeek 开源新模型 DeepSeek - OCR 2，首创双流注意力架构，model&paper 一同发布。它重构视觉编码器，采用三阶段训练流程，在 OmniDocBench v1.5 评测及生产环境验证中表现良好。