「AI测试」共找到 10719 篇相关文章
推理快30%，性能超过千亿参数模型，15B模型Apriel-1.6重新定义端侧推理
ServiceNow人工智能团队发布的Apriel-1.6-15b-Thinker，以150亿参数体量，多模态推理能力强，推理Token消耗降超30%。它在AI分析指数成绩佳，优化计算成本，还介绍了训练策略与多维度性能实测情况。
从组件到系统，Agent 的 Evaluation 怎么做？
Agentic AI 兴起使 Agent Evaluation 成热点。评估 Agent 与 LLM 有本质区别，Agent Evaluation 要考察系统在动态环境实现目标的综合表现，传统 LLM 评估方法无法沿用。业界涌现 GAIA 等相关工作，评估范式也在不断演进。
卡帕西点赞特斯拉餐厅，马斯克：兄弟，你再回来吧
特斯拉餐厅太火，原特斯拉AI大神Karpathy点赞，马斯克邀其回归。餐厅有机器人员工、超级充电站，组合引关注。不过营业首日擎天柱出事故，且目前擎天柱发展混乱，马斯克却计划让它2026年当送餐员。
Mistral的首个强推理模型：拥抱开源，推理速度快10倍
本周二，欧洲人工智能公司 Mistral AI 发布全新大语言模型 Magistral 系列，有企业版 Magistral Medium 和 24B 参数开源版 Magistral Small。它推理强、多语言表现好，速度比竞品快 10 倍，应用于主流云平台，成本有竞争力。
MiniCPM 4.0极速狂飙，端侧模型的比赛，结束了！
面壁智能联合清华发布MiniCPM 4.0，极限场景220倍加速。它是首个原生稀疏模型，有InfLLM v2、CPM.cu等创新，基准测试碾压对手，适配全平台，还有科研、工具调用等功能，标志端侧长文本时代到来。
Claude Opus 4.7深夜上线，评分碾压
周四晚间，Anthropic 宣布 Claude Opus 4.7 全面上市。它在高级软件工程、视觉效果上表现出色，多项基准测试优于 Opus 4.6。还具备新特性，如自动模式等，安全性能与 Opus 4.6 相似。此外，Anthropic 还有相关更新。
长尾的复兴
作者曾认为3D打印在制造业是旁支末流，天花板低。如今看法转变，认为AI加3D打印将长尾从比特推进到原子，长尾社区也成熟，让小众需求有规模化满足可能，创客和业余爱好者迎来复兴。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
给 OpenClaw 装上“全网眼睛”：我把这个 3K+ Star 项目果断集成到了个人skills里。
作者用OpenClaw /Claude Code读推特遇难题，各平台上网关卡多。后发现开源2天获1.1K Star的Agent - Reach项目，将上网工具统一打包，技术选型实用，强调AI时代想法和判断力比技术重要。
击败 GPT-5！理想汽车开源 RubricHub：大模型开放生成从此有了专业裁判
理想汽车基座模型团队联合高校发布RubricHub数据集，解决开放式任务评价难题。该数据集可将主观评价转化为量化标准，经其训练的Qwen3 - 14B小模型在医疗基准测试中超越GPT - 5。