「功能测试」共找到 3119 篇相关文章
Grok 4基准测试被爆极其优异，人类终极考试成绩飙升到45%，碾压o3 和Gemini的20%
API开发者曝光Grok - 4和Grok - 4 Code测试成绩，HLE达35%，推理后飙升到45%，远超o3和Gemini的20%。其他测试也表现优异，但成绩引发争议，有人质疑数据污染，也有人支持，目前数据未官方证实。
4万星开源项目被指造假！MemGPT作者开撕Mem0：为营销随便造数据，净搞没有意义的测试！
高人气开源智能体记忆项目Mem0在论文中称在LOCOMO上打败所有人，MemGPT联合创始人公开指控其测试无意义、数据造假。二者都为解决大模型长期记忆问题，Letta认为能力比工具重要，并给出评估智能体记忆能力的方法。
8B模型任务击败GPT-5？阶跃星辰开源Deep Think新框架，小模型解锁百万Token测试时计算
阶跃星辰推出并行协同推理框架PaCoRe，让大模型突破上下文窗口和处理速度限制。基于此框架，小模型能解锁百万级Token测试时计算。PaCoRe - 8B在数学基准测试中超越GPT - 5，还具备前沿性能、“综合”能力涌现等优势。
这个开源PDF解析器，拿了全球第一
OpenDataLoader在主流PDF解析器基准测试中排第一，尤其是表格提取准确率高。它功能丰富，有本地和混合两种模式，还将推出免费自动标记功能，支持与LangChain集成。
Claude会「做梦」了，梦里还在卷
Anthropic旗下Claude Managed Agents上线新功能Dreaming，可让AI在工作间隙“睡觉”反思，清理记忆、总结规律、自我升级。此外，还有Outcomes、多智能体编排功能进入公开测试，能让AI独立完成复杂工作。
新版GPT Image 2.5已经能伪造GPT-6发布会了
GPT-6还未发布，新版生图模型GPT Image 2.5就能伪造其发布会。它升级幅度大，测试显示能伪造奥特曼全员信等，在LMArena测试有生成快、图像逼真等特点，生图或成GPT-6主打功能。
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。
Codex最被忽略的功能
Codex的侧边栏功能常被忽略，但实用性超强。侧边栏有文件、浏览器、终端三个选项，可配合Codex使用，让其成为工作系统一部分，将AI从聊天框推近工作现场。
Hugging Face 论文页面功能指南
为助开发者与研究者把握AI前沿动态，Hugging Face推出论文页面，Daily Papers已收录超1万篇高质量论文。本文介绍其认领、提交论文等“隐藏功能”，助你把页面用到极致。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。