「基准榜单」共找到 1481 篇相关文章
4倍速吊打Cursor新模型！英伟达数千GB200堆出的SWE-1.5，圆了Devin的梦！实测被曝性能“滑铁卢”？
Cognition推出全新AI编码模型SWE-1.5，专为软件工程任务设计，运行速度快，在基准测试中成绩良好。它基于GB200芯片训练，有定制编码环境，开发有新战略，还与Cursor新模型Composer对比引发关注。
DeepSeek开源新基础模型，但不是V4，而是V3.1-Base
昨晚深度求索宣布DeepSeek线上模型版本升级至V3.1，在Hugging Face发布新模型DeepSeek - V3.1 - Base。该模型是V3系列最新基础模型，发布后冲上Hugging Face热门榜第4位，社交网络看法不一。
图像界的DeepSeek！12B参数对标GPT-4o，5秒出图，消费级硬件就能玩转编辑生成
Black Forest Labs开源旗舰图像模型FLUX.1 Kontext[dev]，专为图像编辑打造，能在消费级芯片运行。12B参数少、推理快，性能媲美闭源模型。有诸多特点，经优化训练，在KontextBench基准表现优。
企业级 Agent 多智能体架构与选型指南 -- 来自1000+行业应用实践积累
本文基于超1000+智能体应用实践经验，介绍企业级Agent多智能体架构。强调单智能体优先，介绍AgentScope支持的多智能体模式，对比工作流与对话模式，给出架构选型指南，还提及Spring AI Alibaba Graph为多智能体提供的能力。
腾讯混元AI Infra核心技术重磅开源：推理吞吐提升30%！
腾讯混元AI Infra团队开源生产级高性能LLM推理核心算子库HPC-Ops，基于生产环境痛点开发，降低底层算子开发门槛，实现显著性能突破。在真实场景下，混元、DeepSeek模型推理QPM提升，单算子性能也超越主流算子库。
GPT-5.5全球首破！0源码盲写程序，编程AI进入新纪元
全网AI交白卷的ProgramBench编程基准，被GPT-5.5首破。它能0源码盲写程序，同一题用C和Python两种解法通过测试。相比之下，Opus 4.7表现不佳。这揭示推理算力成编程AI核心变量。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。
微软打包收购OpenAI？就差一点！
OpenAI奥特曼被董事会罢免时，微软差点雇佣式收购，资金、文书一天到位。微软曾对OpenAI商业化存疑，而奥特曼不想被其完全掌控，签亚马逊大单。此外，马斯克索赔，OpenAI要防御多方围猎。
必须得让AI明白，有些不该碰的东西别碰（doge）
近期类o3模型在视觉推理任务表现优异，但陷入‘盲目用工具’状态。港中文MMLab等团队提出AdaTooler-V模型，具备自适应工具使用能力，还引入指标、算法，构建数据集，在多基准测评中优势明显。
缺数据也能拿SOTA？清华&上海AI Lab破解机器人RL两大瓶颈
现有机器人视觉 - 语言 - 动作（VLA）模型训练范式存在数据采集成本高、泛化能力不足等问题。清华和上海AI Lab团队提出SimpleVLA-RL，解决了VLA模型训练的核心瓶颈，在多基准测试中实现SoTA性能。