「安全测试」共找到 2497 篇相关文章
AI在「赚钱锦标赛」夺冠，比人类还会做生意！躺赚时代要来了？
研究人员提出自动售货机运营模拟环境Vending - Bench，测试大模型智能体管理业务能力。实验显示不同大模型性能方差大，Claude 3.5 Sonnet净资产表现最佳，人类基线在可靠性上表现较好，各模型长周期表现波动大。
Meta 新成立超级智能实验室，让大模型RAG推理速度飙升30倍
Meta新成立超级智能实验室（MSL），首篇论文REFRAG将RAG推理速度提升30倍以上。它先把上下文压缩成摘要再解码，减少计算量和延迟，在多任务测试中表现出色，为大模型部署提供实用方案。
Multi-Agent记忆系统MIRIX：比RAG性能飙升35%，存储减少99.9%
现有AI Agent记忆方案有局限，MIRIX作为模块化多智能体记忆系统应运而生。它由六种记忆类型和多智能体框架组成，支持多种检索功能。在多模态和单模态测试中表现优异，为记忆增强型LLM智能体设新标准。
美国解除Claude禁令，Fable 5与Mythos 5即将恢复访问
美国商务部解除针对Claude Fable 5和Claude Mythos 5的出口管制，Anthropic将恢复两款模型访问权限。此前因安全担忧模型被限制，政策逐步松动后现整体解禁，Anthropic还发布了Claude Sonnet 5。
ICML 2026 | 北大提出的APEIRIA，打破了3D MLLM黑盒推理困境
北大团队提出面向3D空间推理的新框架APEIRIA，将神经符号程序推理模式蒸馏进3D MLLM。采用三阶段课程学习，在多基准测试表现强劲，保留模块化优势，为具身智能系统提供启发。
首个OpenClaw智能体宿主机性能评测报告：单机可稳定运行96路Agent实例
OpenClaw成中小企业AI利器，但企业部署面临效率、并发和安全问题。浪潮信息基于元脑x86服务器完成测试，发布评测报告，该服务器单机可稳定运行96路Agent实例，还支持一键配置、多用户隔离。
别人在测 Demo，我已经用MiniMax M2.1跑通了整个产品开发流程
作者黄叔用自研产品「降噪」测试 MiniMax M2.1，从 Skills 优化、页面样式、沉浸式交互、智能搜索四个维度检验实战能力。结果显示 M2.1 优势明显，虽有不足，但已能满足多数日常开发任务。
辛顿高徒压轴，谷歌最新颠覆性论文：AGI不是神，只是「一家公司」！
2025年12月19日，谷歌DeepMind发布论文《分布式AGI安全》，提出AGI可能是“拼凑型”，由众多专才模型组成，在经济上更划算。还指出其存在风险，如默契合谋、责任消解等，并给出基于“防御纵深”原则的安全框架。
刚刚，美团开源全模态龙猫模型，和 ChatGPT 大战 100 回合打得难解难分
美团发布开源全模态 MoE 模型 LongCat-Flash-Omni，参数 560B 激活 27B。它有真正全模态能力，采用创新架构和训练范式，基准测试表现亮眼，部分指标超 Gemini-2.5-Flash，引发网友热议。
搜攻略到凌晨3点？飞猪AI“问一问”用1张表谋杀废话
作者用旅游方案提示词测试各类Agent产品，多输出废话。飞猪“问一问”旅行Agent却很厉害，能生成实用旅行规划，还给出汇总表格、地图、行程卡片等，考虑全面且细节丰富，还能找特价机票。