「产品评测」共找到 2221 篇相关文章
大模型解数学题是真懂还是 “死记硬背”？｜首个反例驱动的数学推理基准揭穿 “刷题式假象”！
随着大语言模型在数学领域应用渐广，其是否真具备数学推理能力成焦点。清华等团队提出反例推理评测基准COUNTERMATH，测试20+主流模型，结果不佳，而小样本微调能显著提升模型能力。
Chrome已死，AI浏览器当立！认知革命比技术成熟来得更快。
文章指出AI浏览器重新定义底层逻辑，从导航工具变为执行意图的引擎，有持续意图记忆等核心能力。即便成功率不高，用户也易完成认知转变，还总结了AI产品团队应知道的规律及失败类型。
云知声发布U2-Flash，要争“大模型主力位”｜甲子光年
本文报道云知声发布U2-Flash大模型，基于原有U2基座，通过创新后训练方案提升Coding、Agent等复杂任务能力，多项评测比肩头部模型，目标成为企业真实生产任务的主力大模型。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展快，现有检测方法难满足需求。新综述提出‘事实保真度验证’目标，梳理四层检测框架，涵盖底层线索、时空一致性等，强调多层证据耦合与可解释性，还分析评测指标与数据集。
独家｜极佳视界再获新一轮数十亿大额融资，估值超百亿，领跑世界模型赛道
AI科技评论独家获悉，极佳视界近日完成新一轮数十亿大额融资，投资方阵容豪华。其成立于2023年，在世界模型技术与应用上领先，产品在多领域落地，还计划年内开启大规模Scaling进程。
DeepSeek在Agent上做了件大事！
昨天DeepSeek发布V3.2正式版，强化Agent能力并融入思考推理，其在Agent评测达开源模型最高水平。文中分析Agent成开源‘心病’的痛点，介绍DeepSeek相关解决策略及成果，还给出使用示例。
对话「闪念贝壳」创始人 Ping：用 AI 抓住灵感消散前的 3 秒
本文是对闪念贝壳创始人 Ping 的访谈。他讲述创业初心，介绍闪念贝壳这款语音记录笔记产品，称其与传统笔记不同，更注重驱动思考和行动，还分享用户案例、谈竞品及硬件计划等。
76%程序员依赖AI？代码安全挑战解析
GitHub报告显示76%程序员用AI编程，代码安全成挑战。腾讯等团队建A.S.E评测框架，有项目级代码生成等优势，能评估代码安全、质量与稳定性，未来将扩充功能，邀开发者参与。
研究表明：资深开发者在使用AI工具时，完成任务的时间比不使用时延长了19%。
研究通过随机对照试验，发现2025年初资深开源开发者使用AI工具完成任务时间比不使用时延长19%。当前衡量AI能力多依赖标准化评测，可能高估或低估其真实能力，研究旨在更准确评估。
Gemini新手教学
最近Google推出教育优惠，可免费使用15个月含Gemini Advanced等在内的AI产品。作者分享使用Gemini经验，指出其在上下文长度和生态打通方面优于ChatGPT，老牌厂商家底足，OpenAI下半场有压力。