「AI测试集」共找到 11024 篇相关文章
这个项目让 Clawdbot 接入飞书机器人，附教程！
该项目解决 Clawdbot 官方不支持国内通信软件问题，提供飞书等国内 IM 平台与 ClawdBot AI Agent 的桥接服务，文中介绍前置要求、安装、使用、开发等内容，还给出项目地址和教程。
0.005%参数量超越SOTA！提升模型能力无需庞大奖励模型
上海交通大学等校联合团队提出轻量级奖励模型SWIFT，利用大模型隐藏状态线性特征，仅训练极小线性层，在推理任务中超越主流奖励模型，实现计算效率与准确率双提升，且在多领域表现出色。
拒绝计算“一视同仁”！Elastic Attention：让大模型学会“看人下菜碟”
现代大语言模型用全注意力机制计算复杂度高，现有混合注意力策略是静态的。为此提出Elastic Attention，引入轻量级Attention Router，具备动态路由等亮点，在主流模型测试中效果好。
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
MiniMax 上市后的第一个开源：给 Coding Agent 立个规矩
2026 年初 MiniMax 成功上市港股，市值达 1100 亿港币。其上市后首个开源项目 OctoCodingBench 聚焦 Coding Agent 评估，解决规则复杂时 Agent 合规问题，为其立规矩，有重要社区价值。
Anthropic：大模型开始意识到自己在想什么！
Anthropic的Jack Lindsey论文《Emergent Introspective Awareness in Large Language Models》对大模型做神经科学受控实验。发现Claude Opus 4/4.1能感知内部念头，区分内外状态，通过检查内部状态一致性判断输出意图。
穷人福音！MIT研究：不用堆显卡，抄顶级模型作业就成
MIT研究把59个不同模型凑一起，发现强大模型对物质理解趋同，且性能越强思维越接近。研究还指出性能不佳模型的问题，认为可通过模型蒸馏让小模型模仿大模型，实现算力自由。
谷歌 Gemini API 负责人自曝：用竞品Claude Code 1小时复现自己团队一年成果，工程师圈炸了！
谷歌主管工程师 Jaana Dogan 称，用竞品 Claude Code 一小时就生成了接近自己团队一年成果的系统。她公开评价引发争议，也让大家思考‘一年工程 vs 一小时生成’背后被压缩的是什么。
9.1K Star！这个工具把 Claude Code 的幸福感拉满了，终于不用手撸 JSON 配置了！
Claude Code等让开发者回归终端开发，但配置“反人类”。GitHub上的cc-switch工具基于Rust + Tauri开发，支持多款模型快速配置切换，有可视化面板及多种功能，还集成Skills库，大大提升使用体验。
Lovart：设计界的Cursor，NanoBanana Pro遇上真正的Design Agent
Google的Nano Banana Pro能力亮眼，但作为设计工具商用不足。Lovart像设计界的Cursor，提供专业化设计工作流，是可用的Design Agent。文中通过案例展示其编辑能力，还介绍了PPT生成等功能及圣诞活动。