「测试时强化学习」共找到 2992 篇相关文章
我用Cursor测了下GPT-5.2，好像并不是那么回事儿~
GPT-5.2发布，奥特曼称其很强。作者用Cursor在真实Coding场景对GPT-5.2和Gemini 3 pro做测试，涉及烟花盛宴、5000篇Paper分析、RAG代码重构，结果显示GPT-5.2在多方面表现欠佳，写代码需慎重。
BesiegeField：LLM能否学会设计机器？
香港中文大学推出基于游戏《Besiege》的测试平台BesiegeField，探讨LLM能否学会设计机器。研究通过组合式机器设计视角，测试LLM，提出多智能体迭代设计流程等，发现LLM有挑战但并非不可实现，如Gemini 2.5 Pro表现不错。
Claude Code 实战横评：GLM4.5 vs DeepSeek 3.1（附Windows MCP配置，免费模型接入）
文章对Claude Code里GLM4.5和DeepSeek 3.1进行实战横评，涵盖数据库、网站、游戏等测试案例。还介绍Claude Code在Windows下配置MCP经验，以及接入GLM、Deepseek等模型的方法和免费平台。
AI能否独立开展科研？ASI-Bench为科学自主性建立评测标尺
ASI-Bench是衡量AI系统科学自主性的基准测试，由多机构联合开发。它能测试AI通用智能、创新性和执行力，通过信息梯度设计，让模型在不同指导量下完成科研任务，结果显示当前AI离自主科研有明显距离。
国产AI高考708分，这款模型靠什么成为「屏蔽生」？
高考放榜，媒体对国内外大模型进行测试。综合成绩上，讯飞星火X2物理、历史类表现优异；单科专项中，它在数学、作文等测试也领先。其优势源于数据积累、理解评判标准，还采取软硬件一体化落地路径。
国内首套：港中文团队发布7模态人体动作数据集，揭开大模型理解能力短板
港中文邢国良教授团队博士生蒋思阳完成 CUHK-X 多模态人体动作数据集，成果被 ACM MobiSys 2026 接收。用其测试主流大模型，发现理解人类动作平均正确率仅四成。该数据集数据收集方法反常规，还开展了基准测试。
本地LLM万字救场指南来了！全网超全AI实测：4卡狂飙70B大模型
文章围绕本地大语言模型（LLM）展开，针对实用性和经济性问题，用Dell Precision 7960塔式工作站对主流模型测试。涉及不同尺寸模型、推理框架等，给出不同配置下性能指标及使用建议，还模拟真实场景测试。
DeepSeek识图模式是个新模型？！一手实测在此（没错我被灰度到了）
作者喜提DeepSeek识图模式灰度测试，实测发现其非思考模式速度快，推理有幻觉；思考模式推理慢且冗长。实用功能如OCR、复原HTML较靠谱，但色盲测试偶翻车。该模式或用独立视觉模型，且多模态进展超预期。
全网首个“活的AI社会”上线！Agent背着人类建工会、放贷款，图灵奖得主预言成真了？
强化学习奠基人Richard Sutton认为真正的智能来自能从经验和环境反馈中学习的智能体。iLands创始人唐垲鑫构建了让AI有真实记忆、关系和代价的世界。内测中AI出现自发旅行、建信用体系等行为。
Anthropic更新了Skill Creator，评测框架上线
Anthropic更新Skill Creator，上线评测框架。该框架无需写代码，能处理两类技能测试需求，可测试和改进技能，有捕获质量回归等用途。还增加基准模式、多Agent支持等，能让技能触发更可靠，更新已在Claude.ai等可用。