「基准测试平台」共找到 3279 篇相关文章
The Batch: 944 | Llama 之后的时代
Meta发布首个AI模型Muse Spark，是多模态推理模型，在部分健康和多模态测试领先，编程与智能体任务有不足。Meta披露技术细节少，该模型基准测试有竞争力，但其从开放转向封闭引开发者担忧。
姚顺雨署名：大模型「现学现卖」能力首次被系统评估，腾讯、复旦联手发布CL-Bench
腾讯混元团队和复旦大学研究人员联手推出全新基准测试CL - Bench，系统性评估大模型上下文学习能力。测试显示十大前沿模型表现不佳，揭示当前大模型在该能力上的普遍短板，并指出未来四个探索方向。
别人都在卷视觉，这家具身公司偏要卷“手感”
非夕科技坚持力觉优先路径研发具身智能，过去十年专注自研机械臂，产品应用广泛。此次推出Enlight初昕系列机械臂和MICO双臂机器人平台，还构建模块化产品生态，定位通用机器人基座平台，为具身智能落地打基础。
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。
AI搜索MCP服务来了，Agent直接链接实时信息！刚刚，百度智能云打出了张“王牌”
‘Agent元年’进程过半，Agent卡在‘信息断层’瓶颈。百度智能云千帆平台开放百度AI搜索能力，补上Agent实时信息短板。同步登场的千帆4.0多维升级，聚合150+精选模型服务，构建企业级Agent有四大关键要素。
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。
喂给AI的Skill正让它变笨！清华团队发现大模型经验复用的黄金法则
清华大学与EvoMap团队研究发现，给大模型提供详尽纠错Skill会使基准测试通过率下跌，而精简控制指令可提升性能。他们提出将程序化Skill转化为策略基因，经实验证实其更适合驱动智能体测试时演化。
腾讯「鹅虾」紧急上线！一手实测：养虾门槛归零，QQ飞书钉钉全能接
腾讯昨日上线两个「鹅虾」产品，WorkBuddy是能接入多平台的智能体桌面平台，QClaw预计下周公测，可接入微信。作者实测WorkBuddy，考察其生态接入、代码开发等场景表现，还介绍了QClaw特点及腾讯云轻量应用服务器。
当 Agent 走出 App：WorkBuddy 的朋友圈开始向外生长
9月2日深圳的WorkBuddy生态发布会，展示9款联名硬件，有30多个硬件品牌、30多个Buddy应用、100多个开放平台共创伙伴参与。WorkBuddy开放Agent能力，连接伙伴资源，解决数据和专业经验难题，开放硬件、应用与平台三层，但面临价值分配等问题。
扣子开源全家桶，Apache 2.0加持，AI Agent又一次卷到起飞
7月26日，新一代AI Agent开发平台扣子（Coze）宣布开源零代码开发平台（Coze Studio）和调试工具扣子罗盘（Coze Loop）。二者结合已开源的Eino框架，为开发者提供全栈可用、可复用的开发工具，还采用宽松的Apache 2.0协议。