「AI模型测试」共找到 13989 篇相关文章
给龙虾定MBTI、发工牌，还让龙虾偷技能…打工人得适应新环境了
AI圈掀起“养龙虾”热潮，智谱、腾讯纷纷发布相关产品。极客和开发者对龙虾进行实测，它不仅能用于打造赛博宠物、线上办公室，还能完成视频剪辑、教辅、营销等工作。同时，Agent框架让大模型进入业务线，飞书成合适的工作台。
倒反天罡！Gemini Flash表现超越Pro，“帕累托前沿已经反转了”
Gemini 3 Flash在SWE - Bench Verified测试中分数超Pro，速度和性价比也更优。谷歌解释是因Flash有未用于Pro的优化技术。开发者认为应停止‘旗舰版迷信’，强化学习让小模型也能实现‘降维打击’。
联手 OpenAI 发布 ACP，Stripe 是如何思考 Agent 支付的？
今年 9 月，OpenAI 与 Stripe 联合推出 ACP，重新定义支付。本文整理了 Stripe 的 Head of Data & AI Emily 的访谈，介绍 ACP 本质、Stripe 与 AI 公司的商业模式探索，以及 Stripe 自身的 AI 应用和对 AI 宏观影响的看法。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。
The Batch: 865 | 机器人外科医生的切割与夹闭
约翰·霍普金斯大学等团队开发Hierarchical Surgical Robot Transformer（SRT - H），结合两个transformer模型，通过模仿学习训练，用达芬奇机器人完成胆囊切除关键步骤。虽在体外组织测试表现好，但应对人体手术仍有挑战。
刷新硅谷融资纪录！华人具身智能团队刚毕业融资过7亿元，平均年龄不到28岁
华人主导的Genesis AI公司成立仅一月完成1.05亿美元种子轮融资，刷新硅谷两项融资纪录。团队平均年龄不到28岁，靠开源的Genesis物理引擎吸引投资，致力于开发通用机器人基础模型和通用机器人。
5万人抢光「阶跃龙虾」：3分钟一键部署，「养虾」终于变简单了
3月12日「阶跃龙虾」上线，提供5万个免费体验名额。此前阶跃星辰自研的Step 3.5 Flash模型在OpenRouter平台霸榜。其一键部署功能简化养虾流程，且云端版本支持7×24小时在线，国产厂商正推动AI Agent使用范式转变。
10w人看过的龙虾量化系统，评论区骂最多的问题，我花2天补上了。
上一篇龙虾量化系统文章获10w+，评论指出数据是短板。作者经研究找到QVeris，它是统一数据接口平台，使用简单。作者以金融领域为例介绍其用法，还测试其在其他领域的能力，认为它是AI时代的数据基础设施。
对标GPT-4o和香蕉！浙大开源ContextGen：布局身份协同新SOTA
浙江大学ReLER团队开源ContextGen框架，攻克多实例图像生成中布局与身份协同控制难题。基于Diffusion Transformer架构，用双重注意力机制实现布局精准锚定与身份高保真隔离，在基准测试中超越开源SOTA模型，对标GPT - 4o等闭源系统。
Qwen3.8-27B 登顶全球开源榜第一，曾经的「源神」又回来了！
8月17日，阿里发布的Qwen3.8 - 27B成Hugging Face热门第一。它以27B参数在部分测试中与前沿闭源模型比肩，可本地运行。不过推理慢、真实任务表现待提升，它让前沿Agent能力下放到个人电脑。