「诊断可靠性」共找到 150 篇相关文章
世界模型评测的最大盲区，被这个新基准捅破了
过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。
Airbnb Istio 升级 14 次零宕机！Google、Uber、Netflix 都在借鉴
Airbnb engineering发布报告，介绍在数万Pod和数千VM上执行Istio升级且零宕机的方法。其设计升级流水线，用双版本部署和金丝雀发布策略等。还对比了Netflix、LinkedIn等公司的升级方式。
GPT-5刚刚正式发布，首次面向免费用户开放
OpenAI正式发布GPT - 5，有架构统一、性能大幅提升、全用户开放三大核心变化。测试数据显示性能进步明显，采用新定价策略面向所有用户开放。但演示未带来突破感，编程能力还面临Claude Opus 4.1挑战。
本周推荐的6个超级6的Github开源项目！
本文推荐6个超棒的Github开源项目。有强大的数据可视化工具Perspective；能“隐身”的AI桌面助手Glass；性能超GPT - 4o、Gemini的轻量国产OCR项目MonkeyOCR等，各有特色与优势。
邢波再出手：上次「骂」完世界模型，这次轮到智能体了
邢波教授新作《智能体模型批评》上线 arXiv，质疑当下被称为「智能体」的系统是否名副其实。论文将其分为两类，沿五维度拆解主流设计，提出 GIC 架构，还探讨了安全问题，指出要让能力内化进模型。
更全面的具身智能真机评测来了！CVPR 2026 ManipArena挑战赛邀你打榜
具身智能产业发展迅速，但缺统一、高标准真机评测体系，成发展痛点。中山大学等机构推出 ManipArena 挑战赛，提供科学评测框架，已测部分模型，揭示不同技术路线能力边界，为产业发展提供基础。
ChatGPT Health重磅登场：可连接病历和Apple Health，打造专属健康助手
OpenAI推出ChatGPT Health，可连接病历和健康应用，基于用户健康信息回应。它有强化隐私保护，与医生合作设计，不取代医疗护理。先向部分早期用户开放，后续将面向网页和iOS用户。
AI是「天才」还是「话术大师」？Anthropic颠覆性实验，终揭答案！
Anthropic新研究证实Claude模型有一定内省意识，能控制自身内部状态。用「概念注入」实验，Claude Opus 4和4.1表现最佳。不过该能力不可靠、局限大，未来进化情况待察。
CNCF 孵化用于 Kubernetes 边缘计算的 OpenYurt 项目
云原生计算基金会（CNCF）宣布 OpenYurt 加入其孵化项目名单。该开源平台由阿里巴巴 2020 年创建，将 Kubernetes 扩展到边缘计算环境，保持与上游 API 兼容，能减少延迟、提高可靠性。