「AI模型测试」共找到 13681 篇相关文章
大模型全员0分！谢赛宁领衔华人团队，最新编程竞赛基准出炉，题目每日更新禁止刷题
谢赛宁等人出题，让o3、Gemini - 2.5 - pro等模型全军覆没。LiveCodeBench Pro是实时基准测试，题库每日更新。此前称LLM编程超人类专家，本次测试并非如此，最好模型难题通过率也为0。
当人们误解了AI的本质，会发生什么？
文章指出尽管科技公司CEO宣称AI强大，但大语言模型无人类智慧。人们误解AI本质危害多，如将其当精神导师、用AI替代人际互动等，还揭露产业背后廉价劳工，强调要认清AI本质。
Mythos：普通人能自由使用旗舰 AI 的时代，可能要结束了
两天前，Anthropic 发布最强模型 Claude Mythos Preview，各方位性能超 Opus 4.6 模型，却不公开发布，只面向少数合作方开放。这或预示普通人自由用旗舰 AI 的时代将结束，引发对 AI 未来商业与使用模式的思考。
Cloudflare 发布 Dynamic Workers 公开测试版：基于 Isolates 的沙箱环境执行 AI 智能体代码
Cloudflare 推出 Dynamic Worker 公开测试版，面向付费用户。它用 V8 Isolates 运行代码，启动快、内存效率高，基于 Code Mode 理念，用 TypeScript 接口定义 API，有多种防护策略，还发布配套库，已用于生产。
阿里干死豆包图疯传，千问：相煎何太急；字节大幅涨薪，传年利润或达500亿刀；印度AI妖股近两年暴涨550倍，仅2名员工｜AI周报
这篇 AI 周报涵盖多领域动态。如阿里辟谣千问全员会干死豆包图；周鸿祎遭前高管实名举报财务造假；字节涨薪并推进 AI 手机合作；多家科技公司有新品发布或业务进展等。
隐私优先的本地匿名化小模型：在数据离开设备前保护个人信息
最强 AI 模型在云端，安全数据在本地，这一矛盾困扰着想用 AI 处理敏感信息的人。Freysa 团队提出解法，不重写提示，只替换敏感信息，用小模型实现精准匿名化，有实用价值。
Meta打开AI元认知，让AI不止会解题，还会总结套路了
Meta等机构提出‘元认知重用’机制，让大模型学会反思总结。大模型打造‘行为手册’，与主流RAG系统有本质区别。研究人员设计三种实战用法，虽有局限，但为大模型推理难题提供了解决方案。
OpenClaw大考！上海AI Lab InternLM团队WildClawBench 60题，把「龙虾」AI打回原形
上海人工智能实验室InternLM团队推出WildClawBench，含60道高难度任务，在真实OpenClaw环境端到端评测AI Agent。评测涵盖多类别任务，已测14个模型，国产模型表现亮眼，项目开源可复现。
Meta发布40页报告，具身智能的下一步是「心智世界模型」：能听，能看，能理解，会共情
Meta发布40页报告，首次将对人心智状态的推断概念化为心智世界模型，与物理世界模型实现“双轨建模”。还指出要结合系统A和B让AI自主学习，心智世界模型在多智能体协作潜力大。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。