「AI安全测试」共找到 11012 篇相关文章
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。
奥特曼慌了！OpenAI连夜加薪全员放假，小扎疯狂挖人高管震怒
新智元报道，Meta疯狂挖人致OpenAI约十位员工跳槽。OpenAI首席研究官称像家被闯入，高层发强硬备忘录，决定重新调整薪酬、全员放一周假，以挽留人才。AI人才抢夺战白热化，行业形成“鄙视链”。
搜索Agent最新高效推理框架：吞吐量翻3倍、延迟降至1/5，还不牺牲答案质量丨南开& UIUC研究
大语言模型驱动的搜索智能体有能力但效率低。南开和UIUC研究人员剖析效率瓶颈，提出SearchAgent-X框架，实现吞吐量提升、延迟降低，且不牺牲答案质量，还揭示AI智能体平衡和等待问题。
MCP 和 Skills 到底什么区别？一篇文章说清楚
文章解释了 MCP 和 Skills 的区别。MCP 是 AI 世界的 USB 协议，可降低开发成本，但会吃掉上下文窗口；Skills 采用渐进式披露设计，自带脚本，能减少上下文消耗。未来 Skills 或承担多数工作，MCP 用于远程连接。
“大模型第一股”打响上市前哨战！智谱GLM-4.7 刷新开源编程SOTA，修复代码、终端操作表现超Claude 4.5
冲刺大模型第一股的智谱推出开源大模型GLM - 4.7，主打编程与代理式任务提升。它在多项基准测试中表现出色，UI质量飞跃，还采用新推理机制。智谱上市在即，但亏损扩张快，研发投入大。
Claude Opus 4.7 发布！留给人类的时间，不多了
Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。
谷歌Gemini-0605发布，全球大模型第一！
昨晚谷歌发布Gemini 0605版本，官方称其回归0325版本效果。该版本在多项基准测试中领先，Elo评分提升。谷歌针对反馈改进，使Gemini 2.5 Pro回答更优，还取消日期后缀，输入输出Token价格有优势。
Jev火爆全网后，Open Jev们扎堆开源了！精选8个项目
TypeSafe AI发布的Jev模型凭借新的结构化决策接口迅速爆火，引发社区复刻潮。本文精选整理了8个不同技术路线的开源OpenJev项目，逐一介绍各项目的思路、性能、优缺点与适用场景。
【深度长文】从“会聊天”到“能干活”：OpenClaw架构深度拆解与价值挖掘
文章深度拆解 OpenClaw 架构，指出传统 SaaS 走向末路，OpenAI Operator 有局限。OpenClaw 以本地原生机制崛起，具备诸多优势，还介绍了其安全方案及五大高价值商业场景，鼓励关注学习。
2026 年全民养虾，但你养的，到底是谁的虾？
OpenClaw开源引发全民养虾热潮，但多数数据跑在大厂云上。面壁智能推出EdgeClaw Box，适配多款硬件，有本地模型，能断网干活，具安全机制，省钱且技能丰富，还与OpenClaw互补。