「HLL 评测基准」共找到 1324 篇相关文章
OpenAI和Anthropic罕见互评模型：Claude幻觉明显要低
OpenAI和Anthropic罕见合作，互相授予API权限评估模型安全与对齐情况并发布报告。双方派出多模型参与，从指令层次、越狱、幻觉、欺骗策略等方面评测，呈现各模型优缺点。
一场「狼人杀」，考倒了一堆大模型
南开大学等机构设计 InMind 评测框架，在 Avalon 游戏对 11 个前沿大模型测试。多数模型停留在表层模仿，仅少数推理增强模型有初步‘风格敏感性’，未来人机交互应关注‘像不像’。
全球开源大模型，前十五名全是中国的
近日，随着新一代大语言模型更新，开源大模型成热门话题。Design Arena排行榜上，若设定为“开源”，前15名均为国产开源大模型，排名第一的是DeepSeek - R1 - 0528 ，智谱、阿里等厂商多款模型上榜。
拆箱开源版Coze：Agent核心三件套大公开，48小时揽下9K Star
扣子两款子产品扣子开发平台和扣子罗盘近期开源，加上此前开源的开发框架Eino，覆盖了Agent开发全链路。其采用宽松的Apache 2.0开源协议，降低开发门槛，有望带动Agent在更多场景落地。
Salesforce 最新研究：LLM 智能体 CRM 测试成功率低至 35%，保密意识还低，企业敢用吗？
Salesforce AI 研究团队新基准测试显示，LLM 智能体在 CRM 测试中表现欠佳，单步任务成功率约 58%，多步任务降至 35%，且保密意识低，与企业需求差距大。
Claude最强Fable 5.1发布！8项屠榜，最高降价45%，反蒸馏机制上线
Anthropic发布Fable 5.1和Mythos 5.1，8项基准测试夺冠，价格最高降45%。展示科研成果，如蛋白质设计、生成金星地图等。上线反蒸馏机制，防止篡改上下文，还给出替代方案。
The Batch: 972｜Grok 的 Cursor 联盟获得回报
SpaceXAI发布与Cursor联合开发的视觉 - 语言模型Grok 4.6，已向开发者开放。介绍其输入/输出、特性等信息，阐述工作原理、性能表现，还提及相关新闻背景、重要原因及期望。
132万字实时字幕！阿里语音模型支持影视飓风100小时直播
阿里升级实时语音识别大模型Fun-ASR-Realtime，首字延迟在百毫秒级别、识别准确率接近离线模型。在影视飓风100小时直播中表现出色，还支持16种方言和30种语言，离线模型Fun-ASR-Flash全球权威榜单排第一。
Agent不会搞科研？人大微软开源框架&工具包解决盲目试错通病，抱抱脸日榜第一
AI智能体虽能完成多项任务，但大多难以自主科研，易陷入盲目试错。人大和微软研究者提出Arbor框架与工具包，借助Hypothesis - Tree对优化空间结构化探索，多方面表现出色，荣登Huggingface日榜第一。
WWW'26 | 跨任务自适应的Multi-Agent协作新范式
大型语言模型驱动的多智能体系统成解决复杂任务重要范式，但智能体协作存在关键问题。Griffith和西北农林科技大学团队提出OFA - MAS，将多智能体拓扑设计从one - for - one推向one - for - all，实验效果佳。