「AI基准测试」共找到 10907 篇相关文章
The Batch: 921 | 美国战争部弃用 Anthropic，转而拥抱 OpenAI
OpenAI与美国战争部达成协议，为其提供能处理机密信息的AI系统，取代Anthropic Claude。此前Anthropic因限制技术用于军事监控和自主武器，与白宫对峙，被列为供应链风险，Anthropic将起诉政府。
2026开年王炸模型MiroThinker 1.5实测：Google和GPT没做到的事，被它做到了
自媒体从业者实测开源模型MiroThinker 1.5，它不拼参数规模，注重去伪存真。在多场景测试中表现出色，如投资决策、内容查证等。其技术揭示大模型未来或在于外部交互，而非参数膨胀。
Google 新论文离谱到家了，0延迟0成本通用，提升大模型准确率最简单的方法。
Google新论文提出简单提升大模型准确率的方法，即重复提示词，把完全一致的输入连续发2次。主流模型适用，经70项benchmark测试，0场景效果倒退，47个场景准确率提升，且几乎不增延迟、成本。
解决Agent幻觉：HaluMem精准定位记忆系统的“说谎”环节！
近年来，LLM和Agent在记忆管理上存在挑战，现有评估方法无法定位幻觉来源。论文提出HaluMem评估基准，通过三大任务和两个数据集揭示记忆系统幻觉行为，为开发可靠记忆机制提供指导。
堪比金条，存储迎来三十年未见的涨价潮
全球存储现缺货涨价潮，由云服务供应商采购推动。自2025年3月起，存储产品价格持续上涨，预计开启数年“超级周期”。AI火热与原厂技术迭代催化涨价，内存条成“理财佳品”，也催生“国产替代”需求。
零一万物高管新阵容亮相，李开复加码布局ToB 2.0
零一万物ToB战略加速落地，公布新一轮高管任命，沈鹏飞、赵斌强、宁宁三位核心管理者亮相。其“一把手工程”依托万智平台，已覆盖多行业，在国内外均有合作成果，目标是让AI成企业转型推动者。
Anthropic重磅研究：250份文档就能 “搞垮” 大模型？
Anthropic等团队发布研究，进行大规模投毒攻击模拟。结论是投毒大模型所需‘毒药’数量与模型大小和干净数据量无关，取决于投毒文档绝对数量，250份就能‘搞垮’模型，改变了对AI安全的认知。
Claude 代码框架之战
开发者尝试让Claude做繁琐编码工作，自己担任高价值角色。当前开发者社区正进行“Claude代码框架之战”，文中给出设计Claude工作流的八个选择及搭配套餐，指出设定框架能让AI发挥最大效力。
通往 AGI 之路的苦涩教训
Google DeepMind CEO 预测 5 到 10 年有 50% 概率实现 AGI。本期《万有引力》直播对话将探讨通往 AGI 之路的教训。6 月 27 日，唐小引将对话刘嘉，从其学术轨迹解答 AI 路上的教训，还会剖析技术路径。
全球DRAM第一，换人了
据多家市场调研公司报告，今年第一季度SK海力士登顶全球DRAM市场，市占率36%超三星、美光。其登顶早有预期，借AI浪潮HBM需求火热。美光、三星也在HBM领域奋起直追。