「测试套件规模」共找到 2140 篇相关文章
AI们数不清六根手指，这事没那么简单。
作者测试发现Grok4、OpenAI o3等多模态模型都将六指图数成五指，仅Claude 4偶尔答对。研究揭示大模型看图片用记忆而非视觉，易受刻板印象影响，在工业等场景或引发严重后果。
The Btch：838 | 苹果加强生成式 AI 布局
苹果更新 Apple Foundation Models（AFM）系列，含设备端和服务器端版本，还发布 Foundation Models 框架。AFM 模型架构特别，训练有优化，测试表现有差异。此前苹果论文引争议，此次或是其重启 AI 战略之举。
DeepSeek们越来越聪明，却也越来越不听话了。
论文《When Thinking Fails: The Pitfalls of Reasoning for Instruction - Following in LLMs》用实验验证，模型推理能力变强时，提示词遵循能力变差。研究团队对15个模型测试，发现用CoT推理后执行准确率下降，还提出4种提升指令遵循效果的方案。
终于突破限制啦，11.2k Star LiveContainer，抓紧试一下！！！！
LiveContainer官方定义是app launcher，能将多个IPA以访客App形式放进运行环境加载，可在现有iOS规则里降低测试摩擦，获11.2k Star。但它并非虚拟机或强隔离沙箱，使用有诸多限制。
OpenAI首款芯片问世：用AI设计，9个月流片
本周三，OpenAI 与博通合作推出首款芯片 Jalapeño，用于人工智能推理负载，由博通制造。它用 AI 设计，9 个月流片，性能未公布但早期测试显示每瓦性能优，目标 2026 年底前初步部署。
谷歌把电脑操作能力塞进Gemini 3.5 Flash！自己看屏幕狂点70轮
谷歌将电脑操作能力Computer Use内置进Gemini 3.5 Flash，该AI能通过看屏幕操作电脑，可执行点击、打字等动作。其覆盖网页、桌面软件和移动端，还加入安全约束机制，在基准测试中表现良好。
360 如何用 AutoMQ 解决千亿级 Kafka 冷读难题
360 集团作为互联网安全公司，业务数据规模膨胀，Kafka 集群运维难题凸显。AutoMQ 存算分离等特性适配 360 需求，360 验证其性能后用于日志检索平台，解决冷读难题，未来将推广到更多业务线。
复旦北大联合美团LongCat提出TDAR：用“粗思考，细求证”破解Block Diffusion的速度精度悖论
复旦大学、北京大学联合美团LongCat提出Block Diffusion推理模型Test-Time Scaling新框架TDAR，引入‘粗思考，细求证’范式与有界自适应置信度解码，打破速度与精度零和博弈，在多基准测试表现出色。
moltbook爆火背后：人类操控？伪造截图？Karpathy发风险提醒
moltbook是专为AI设的社交平台，超150万个AI Agent活跃。有人认为它是突破，也有人觉得只是娱乐展示。其背后或有人为操纵，还藏风险。Karpathy既肯定其规模，也提醒有网络效应和安全问题。
谷歌黑魔法，没人能看懂的Gemini 3 Flash
Gemini 3 Flash速度快3倍且智力超Pro，但没人明白其更「聪明」的原因。它打破「参数即正义」逻辑，在多项测试领先。谷歌或靠TPU、算法、数据优化，还可能用了Titans架构，有重大战略意义。