「元评估」共找到 1370 篇相关文章
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
GPT-5.6现身后，下一个Claude Sonnet 4.8又曝光了！
GPT-5.5发布不久，开发者在Codex内部日志发现GPT-5.6，几乎同时，Anthropic的Claude Code源码泄露，炸出Sonnet 4.8、Jupiter等型号。两家公司下一代模型几乎同时曝光，模型迭代节奏在加速。
撕开Claude Code真相：让它好用的98.4%，是工程不是AI
X用户推文曝光Claude Code项目模板，实则是公开范式。研究显示Claude Code 98.4%是工程基建。OpenAI等团队已将AI编程跑成生产线，普通开发者也能搭建入门版基建。
AI能自己打红警了！经济拉满零交战惨遭打脸，玩家笑疯
Hugging Face推出OpenRA-RL，将《红色警戒》改造成大模型的Agent训练场，50个MCP游戏工具全量暴露，25Hz实时状态流推送，打通三条训练路线，原生接入OpenEnv生态。实战中，Agent经济满分但战斗零分。
π0.7来了！涌现出组合泛化、跨本体迁移能力，VLA又行了？
具身赛道玩家 Physical Intelligence 发布新模型 π 0.7，它展现出组合泛化和跨本体迁移能力，还能通过知识蒸馏学会优化技巧。其强大源于杂数据和细提示，未来有望解决复杂任务。
糟糕，Claude Opus 4.7源代码级提示词曝光！底层设计全被看光
Claude Opus 4.7如期而至，性能全方位提升，编程暴打Gemini 3 Pro、GPT - 5.1。Claude Code之父分享最佳实践，还曝光系统级提示词，揭示其进化逻辑，此外还提及Mythos的一些危险操作。
中国AI算力，开启「共同富裕」之路！
中国AI产业存在算力差距，头部大厂算力过剩，中小企业却受困。中科曙光scaleX40超节点发布，降低高端算力获取门槛，重塑AI创新主体、产业落地路径及国产算力发展方向，推动算力平权。
规模化人工判断：Dropbox 如何借助大语言模型优化 RAG 系统标注
为提升 Dropbox Dash 生成回复的相关性，工程师采用大语言模型辅助人工标注。该方案解决了纯人工标注的局限，通过人工校准大语言模型标注的方法，为 RAG 系统提供了有价值参考。
MMLU已死？「人类最后考试」登Nature：全球AI模型集体不及格！
AI发展迅猛，现有基准测试难以跟上其步伐。近1000名研究人员组成的全球联盟创建「人类最后的考试」（HLE），涵盖多领域难题，目前最强AI准确率不足50%，凸显AI与人类专家的差距。
2026 AI Memory最新综述：从理论到实战，一文读懂AI记忆的进化全景
2026年北邮百家AI MemoryOS团队联合华为发表《Survey on AI Memory》，涵盖AI记忆理论基础、分类体系、架构、评估方法与前沿趋势，还提出4W分类法，剖析了发展挑战与未来方向。