「基准测试成本」共找到 3371 篇相关文章
AI 智能体实践评估：基准、框架与经验总结
文章为将 AI 智能体从原型落地到生产环境的团队提供实用评估框架。指出传统评估不适用于智能体，介绍评估工具，阐述五大评估支柱，还给出基于 Claude 和 LangChain 的评估示例及实践经验。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
DeepSeek Harness规模化踩坑实录：耗时、成本、失败到底该怎么查
Agent 进入日常研发流程后，使用方关注耗时、Token 消耗和失败回溯。DeepSeek Harness（DSH）是开源 Agent 框架，腾讯云 Agent 可观测提供 DSH 采集插件，构成全景可观测方案，还介绍接入实践与其他能力。
成本砍半！国产黑马攻破机器人「瘫痪」难题，大厂纷纷上车
深圳机器人产业生态优越，产业链完整。小象电动聚焦轴向磁通路线，实现技术突破，累计出货近7万台，进入华为等大厂供应链，完成超亿元融资，体现深圳产业链整体优势。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
多模态幻觉的病因「高熵节点」找到了！全基准幻觉率下降
多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
高智商 ≠ 高财商？50天实盘测试：LMArena 高分王者也可能是「韭菜」
伊利诺伊大学厄巴纳 - 香槟分校团队开发 LiveTradeBench，让大模型在真实金融市场交易，检验其能力。它全面开源，有实时数据、组合决策等创新，50 天实测揭示模型财商差距。
AI自动写学术综述：10分钟生成6万字，成本不到四块钱
上海人工智能实验室等单位提出SurveyForge框架，能自动化生成高质量学术综述论文。它有双数据库协同驱动的大纲生成机制、学者导航代理SANA和并行生成与协调机制。还有SurveyBench评估框架，实验显示其效果好，应用前景广。
Claude上线Prompt缓存诊断功能，终于不用盲猜token成本暴涨的原因
Claude宣布Prompt缓存诊断功能登陆控制台，可解决缓存失效排查痛点。此前开发者排查效率低，新功能能显示变动位置与token损耗。目前处于beta阶段，介绍了使用方法、支持的失效原因及功能限制等。