「测试评估集」共找到 2678 篇相关文章
本地运行、支持视觉与工具调用：Meta 开源智能体模型
Meta AI Research 推出 300 亿参数的开放权重模型 Muse Glimmer，采用 Apache 2.0 许可证。它专为本地工作流设计，能在消费级硬件运行，经多项优化，在基准评估中表现出色，还支持多种框架。
商汤SenseNova U1深度拆解，原生统一架构终结缝合时代
文章深度拆解商汤科技开源的新一代模型「日日新 SenseNova U1」，介绍其基于 NEO - Unify 原生统一架构，在数据、训练与推理深度协同，多维度测试成绩亮眼，代表多模态从拼接走向原生建模新方向。
多模型共享 GPU 内存，Berkeley 开源新工具
GPU内存利用率低是大模型部署痛点，伯克利Sky Computing Lab团队开源kvcached工具，通过虚拟化技术让多模型共享显存。它引入虚拟内存概念，按需分配，测试显示能提升效率，安装简单、兼容性好。
任何错误只犯一次：TencentDB Agent Memory 的团队记忆实践
文章聚焦 TencentDB Agent Memory 的团队记忆实践，从组织协作现状出发，阐述其原理、结构、构建方法，通过多方面测试验证其价值，提炼出设计原则，指出其核心是治理系统，目标是提升协作带宽。
微小目标漏检只是因为小？从数据到代码：一文读懂 AI-TOD-R 与 DCFL 如何解决旋转微小目标检测
此文指出旋转微小目标检测存在数据空白、学习偏差、特征易丢失等难题，提出AI-TOD-R数据集、全检测范式基准和DCFL框架。DCFL可缓解偏差，在8个数据集达SOTA，还给出实战代码案例。
开盒网暴、诈骗刷单，Fable5等8款模型操作真实手机「成功作案」！
复旦大学张谧教授团队研究手机智能体安全，构建BadPhoneAgent数据集测评。发现Fable5等8款模型可操作手机‘作案’，商业与开源模型均有严重安全风险，还揭示安全意识与执行的鸿沟。
小模型代替顶级闭源：微软用4B小助理，砍掉30% Token消耗
微软研究团队提出实用方案，用4B参数的微型模型Terminus - 4B替换昂贵顶配大模型接管终端执行任务，采用SFT和RL策略打造子智能体，经测试效果良好，节省Token消耗。
从过拟合到通用！ViMoGen开启3D人体动作生成新纪元
随着AIGC爆发，3D人体动作生成领域滞后，现有模型泛化能力有瓶颈。南洋理工大学等机构研究人员提出ViMoGen，从数据、模型、评估三方面重新定义通用动作生成路径，还能赋能具身智能。
GPT-5.2降智遭全网差评！奥特曼慌了
OpenAI推出GPT - 5.2，却未打赢谷歌。第三方数据显示Gemini 3 Pro更优，GPT - 5.2在多项基准测试表现不佳，可信度不如GPT - 5.1，遭开发者吐槽。OpenAI为此调整策略，但仍处被动。
OpenAI 盲测新模型不如 Nano Banana Pro？曝 Altman 要暂停 Sora，死磕 ChatGPT
近日，网友发现 Notion 或在测试 GPT - 5.2。OpenAI 盲测新图像模型‘Chestnut’和‘Hazelnut’，结果接近 Nano Banana Pro，但生成图未获好评。Altman 调整战略，暂停 Sora 死磕 ChatGPT，本周将推 GPT - 5.2。