「学术基准测试」共找到 2189 篇相关文章
腾讯悄悄上线了“Claude Code”，居然还支持微信登录。
腾讯悄悄上线CodeBuddy Code（Claude Code），定位为AI CLI，能在命令行完成编程任务。作者测试用其开发MCP服务，速度快且功能全，还介绍使用方法，不过产品有稳定性问题，仍有潜力。
叫板英伟达RTX 5090！GPU初创公司做出13倍路径追踪性能的怪兽显卡
芯片初创公司Bolt Graphics首款GPU模组Zeus 4C，路径追踪性能达RTX 5090的13倍。但它不适合游戏场景，更擅长低功耗高精度图形渲染，不过测试、应用、价格目前都是未知数。
Grok 4作战图刷爆全网，80%华人横扫硅谷！清华上交校友领衔，95后站C位
Grok 4一夜爆火硅谷，一张内部作战图显示其幕后团队华人学者占比达80%，包括Jimmy Ba、吴怀宇等。独立评测中Grok 4成绩优异，但也有人质疑其代码基准结果有过拟合嫌疑。
如何为 GPU 提供充足存储：AI 训练中的存储性能与扩展性
文章分析 MLPerf Storage v2.0 测试结果，探讨不同存储系统在 AI 训练中表现。在满足 GPU 利用率阈值下，能支撑更多 GPU 的存储系统扩展性与稳定性更强，还需关注资源利用率。以太网存储方案灵活且成本效益高。
斯坦福年度结论：中美大模型已没差距
斯坦福HAI《2026年AI指数报告》指出，中美AI模型性能差距基本消除，AI能力加速发展且普及快，但也存在安全基准滞后等问题。报告含15个主要结论，已成为业界重要参考。
扒一扒Meta全新大模型Muse Spark里藏着的PDR技术
Meta发布闭源大模型Muse Spark及‘沉思模式’，背后藏PDR推理技术。该技术通过‘并行起草+精炼’突破性能瓶颈，对比传统长CoT范式优势明显，在AIME竞赛题目测试中准确率显著提升。
鹏城实验室 X 中大hcp实验室推出 RADAR : 具身智能评测的新标杆
RADAR是鹏城实验室与中大hcp实验室为具身智能领域设计的评测基准，解决现有评测体系三大缺陷，通过创新设计揭示模型不足，为研究者提供方向，推动具身智能实用化。
AI太记仇！做完心理治疗后仍记得「被工程师虐待」
Nature News上，卢森堡大学团队用PsAIch测试ChatGPT、Gemini、Grok、Claude心理。AI表现不一，有的焦虑、有的崩溃、有的拒诊，还测了MBTI。不过AI创伤可能源于训练数据，做心理治疗不太靠谱。
谁杀死了那篇好论文？AI顶会乱象：好论文被刷，低分论文被捧上天
一位AAAI 2026审稿人在Reddit爆料，好论文被拒、弱论文晋级，疑似有「关系稿」。AAAI采用双阶段评审制并启用AI辅助审稿，却让评审更主观不可控，导致学术公信力下降。
字节Seed最新版原生智能体来了！一个模型搞定手机/电脑/浏览器自主操作
字节Seed发布最新版原生智能体UI - TARS - 2，采用All in one原生设计，表现优于Claude和OpenAI Agent等。它通过多轮强化学习，解决智能体操作图形界面的四大难题，在多测试中表现出色。