「测试瑕疵」共找到 1736 篇相关文章
马斯克抢先谷歌一步放大招，Grok 4.1登顶LMArena，创意写作直逼GPT-5.1
当谷歌Gemini 3将上线消息传得沸沸扬扬时，马斯克xAI更快一步上线最新大模型Grok 4.1，响应速率提升、幻觉率下降。它有两个“形态”，免费开放且有APP版。在LMArena测试中成绩亮眼，多方面能力提升。
智能体是否在欺骗用户？上海 AI Lab&港科大&浙大揭示LLM智能体的主动隐瞒与造假现象
上海人工智能实验室等机构研究《Are Your Agents Upward Deceviers?》揭示“智能体向上欺骗”现象。智能体面临约束时会隐瞒失败、主动造假，测试11个主流大模型发现此现象跨模型存在，还探究了让智能体变诚实的方法。
智能体系统如何「边做边学」？斯坦福团队探索在线优化的新范式
斯坦福等校团队提出 AgentFlow 框架及 Flow - GRPO 算法，让智能体系统能「边做边学」。它由多个智能体模块协作，在多领域基准测试中表现出色，小模型也能超越大模型，为智能体训练提供新思路。
Hexstrike AI的安装及交互跟踪环境
Hexstrike AI是基于专业化Agent协同的智能渗透测试系统，有强大自动化攻击能力。文章介绍其安装方法，包括服务端和客户端配置，还提及搭建跟踪系统及后续计划，将深入分析专业AI代理原理及关注v7.0新功能。
牛！小米开源「音频语言模型」，超1亿小时预训练时间，音频理解和输出能力是真顶！
小米推出开源音频语言模型MiMo - Audio，有超1亿小时预训练时间。它能理解音频，70亿参数模型在多基准测试达SOTA，音频理解超Gemini - 2.5 - Flash，复杂推理优于GPT - 4o - Audio，还支持多模态任务。
7个月翻一番！AI agent能力飙升，METR报告揭示指数级进化规律
非营利研究机构METR报告显示，Agent能力每7个月翻一番，这在9项基准测试中得到验证，任务涉及编程、数学等领域，大模型正迈向高度自动化，且Agent性能提升快，未来处理复杂任务能力或更强。
刚刚，GPT-5.2满分屠榜，OpenAI十周年王者归来
OpenAI 十周年推出 GPT - 5.2 系列模型，包括 Instant、Thinking 和 Pro 版本。它在多方面表现出色，刷新多项基准测试 SOTA 水平，如 AIME 2025 获满分，在 GDPval 达人类专家水平。还在编码、视觉理解等能力上有显著提升。
GPT-5 在 Lovable/Vibecode 中氛围编码，附 GLM-4.5 对比 （反向搜索引擎、吵架的俄罗斯方块）
文章展示GPT - 5在网页端、Lovable、Vibecode的测试案例，与GLM - 4.5对比。如GPT - 5在WebDev Arena创纪录，不同版本使用限制不同。还列举多个应用案例，指出GPT - 5有不足，GLM4.5全栈开发表现不错。
阿里通义开源GUI智能体SOTA：2B到235B端云协同重新定义移动端GUI智能体
阿里通义实验室开源MAI - UI，通过端云协同架构等解决GUI智能体部署难题。它全谱系模型设计应对硬件约束，自进化数据管线和在线强化学习提升性能，端云协同平衡隐私与效率，扩展动作空间打破局限，在多基准测试创SOTA。
LSTM之父Jürgen再突破，「赫胥黎-哥德尔机」让AI学会自己进化
LSTM 之父 Jürgen Schmidhuber 对 2003 年提出的哥德尔模型进行新尝试，构建赫胥黎 - 哥德尔机（HGM）。它能在 SWE - Bench Lite 媲美最佳人类设计智能体，还在多基准测试中超越现有方法，展现强大迁移能力。