「测试瑕疵」共找到 1736 篇相关文章
Claude Sonnet 5 上线一日差评刷屏：打不过千问和 Minimax，性价比全面翻车
Claude Sonnet 5发布一天差评多。虽官方定位高，有能力亮点，但在中文测评中性价比低，测试成本高，且Max推理模式易过度思考。还因过度保守失去实用价值，其表现取决于使用场景和预算。
GPT-5.2技术炸场！6大核心突破，办公效率拉满
OpenAI凌晨发布GPT-5.2，把专业级AI门槛拉到新高度。它有6大核心技术突破，精准戳中职场痛点。在GDPval基准测试中表现出色，有三级模型矩阵，不同版本满足不同需求，各方面能力均有显著提升。
Vercel CEO爆Kimi K2智能体准确率超GPT-5 50%？国产的风还是吹到了硅谷
Vercel CEO称内部测试中，国产Kimi K2模型运行速度和准确率均优于GPT - 5和Claude Sonnet 4.5。硅谷多家公司已接入或转用K2，K2 Agent能力也经受住检验，还给出使用和价格相关信息。
管你模型多大，250份有毒文档统统放倒，Anthropic：LLM比想象中脆弱
Anthropic等联合研究打破传统观念，只需250份恶意文档就能在参数规模从6亿到130亿的LLM中植入后门，且与模型规模及训练数据量无关。研究还测试了特定后门攻击，评估了多种训练配置。
OpenAI「GPT门」事件引爆！Plus、Pro账户统统降配，偷换模型全网实锤
OpenAI被曝在用户不知情下，将GPT-4、GPT-5等模型路由至低算力敏感模型，引发用户对选择权和付费权益质疑。该现象已在社交媒体广泛验证，OpenAI回应称是在测试新安全路由系统。
GLM-5架构曝光，智谱两日涨60%：采用DeepSeek同款稀疏注意力
GitHub代码确认GLM - 5架构细节，它采用DeepSeek - V3/V3.2架构，含稀疏注意力和多Token预测，参数量745B。OpenRouter上神秘「Pony Alpha」被指是其测试版，受消息影响智谱AI港股两日涨60%。
智能体崛起，AI+软件研发到新拐点了？
InfoQ《极客有约》X AICon 直播邀请多位嘉宾探讨 LLM 时代软件研发新范式。指出 AI 在测试中多为提效工具，距“原生开发时代”尚远；Coding Agent 潜力大；还谈及 AI 应用场景、落地问题、人员能力要求等。
ICLR 2026惊现SAM 3，分割一切的下一步：让模型理解「概念」
9月12日，匿名论文‘SAM 3: SEGMENT ANYTHING WITH CONCEPTS’登陆ICLR 2026，外界猜测出自Meta。SAM 3定义了可提示概念分割任务，性能比之前系统提升至少2倍，在多基准测试获SOTA成绩，但也有人质疑是旧概念包装。
直播预约 | SwS: 强化学习训练能否不依赖外部知识优化模型的弱点？
该论文提出强化学习场景下的启发式数据合成流程（SwS），利用模型自我感知弱点驱动自动化问题生成，弥补推理缺陷。对其扩展后适应性更广，在多基准测试集和模型上验证有效，性能提升显著。
碾压DeepSeek V3！阿里开源新版Qwen-3，屠榜级断层第一
今天凌晨1点，阿里巴巴开源Qwen3系列新版本Qwen3 - 235B - A22B - 2507。它是非思维推理的指令微调模型，性能强劲，在多类测试基准中大幅超DeepSeek开源的新版V3 - 0324及月之暗面的kimi - k2。