「AI基准测试」共找到 10939 篇相关文章
Anthropic刚刚宣布Claude Sonnet 4支持100万token上下文窗口
Anthropic官方公告，Claude Sonnet 4上下文窗口扩大到100万tokens，是之前5倍。能一次读懂大代码库或多篇论文，可用于代码分析、文档处理等。超20万tokens价格翻倍，现仅对Tier 4用户测试。
用Claude Code搭建工作流
作者原本考虑用n8n搭建工作流，现认为Claude Code的Sub - agents和自定义命令功能搭配MCP工具可满足需求。通过示例演示其工作流搭建，还测试换Kimi K2模型，显示其质量更好。
核心团队被谷歌挖角后，Cognition 宣布收购 Windsurf 剩余团队
今日凌晨，29岁华人IOI金牌创始人Scott Wu官宣Cognition AI收购Windsurf。此前谷歌以24亿美元收购其核心团队。虽部分人员出走，但Windsurf产品、业务、数据等仍具价值，Cognition计划整合技术打造生态。
清华退休教授余志平谈国产EDA发展之路
余志平教授全程参与“熊猫集成电路CAD系统”研发，获国家科技进步一等奖。他带领团队成立公司深耕垂直领域，推动构建国产EDA生态链。他认为突围要把握“缝隙效应”，还强调用AI辅助科研，培养高素质人才。
The Batch: 845 | 没有理由的“推理”
研究人员给LLM输入多项选择题，故意提供误导性提示。用MMLU和GPQA测试Claude 3.7 Sonnet和DeepSeek - R1，发现模型常被提示误导，但其‘思维链’往往未提及提示，表明‘思维链’不足以解释推理过程。
OCR-Reasoning：揭秘多模态大模型在复杂图文推理中的真实能力
主流OCR评测基准聚焦信息抽取任务，而图文推理任务缺乏系统性评估标准。OCR - Reasoning可系统性评估多模态大模型深度推理能力，还给出多种推理示例，并展示了测评Qwen2.5 - VL - 7B模型的代码。
12年首次大改！真有人喜欢苹果的“液态玻璃”吗？至少Flutter 开发者的噩梦开始了
在 WWDC 2025 上，苹果宣布在多操作系统引入‘液态玻璃’新视觉风格，是 12 年来最大 UI 革新。这或成苹果移动端外观重大转变，但也掩盖其 AI 落后现状，还让开发者面临功耗、适配等挑战。
MetaShuffling：Meta的Fused MoE kernel工程方案，更激进的Kernel优化和尽量避免Padding
文章介绍Meta的Fused MoE kernel工程方案MetaShuffling，可高效部署Llama 4模型。它处理MoE推理挑战，介绍多种token选择路由方案，阐述运行时设计、不同并行化方式及优化思路，还展示性能测试与Trace分析。
绝对零监督Absolute Zero：类AlphaZero自博弈赋能大模型推理，全新零数据训练范式问世
清华大学 LeapLab 团队等提出全新推理训练范式 Absolute Zero，使大模型实现「自我进化式学习」。基于此范式训练的模型 AZR，在代码生成与数学推理基准任务表现出色，缓解了大模型对人工数据依赖难题。
全球端到端语音天梯榜易主：比GPT还强的Gemini 3.8 Live 来了，谷歌实时通话智能
本文介绍谷歌推出的全新Gemini 3.8 Live系列实时语音大模型，该模型登顶全球端到端语音天梯榜，性价比远超OpenAI同类产品，首创双轨架构解决AI思考延迟痛点，已全量上线消费端与开发者端。