「产品评估」共找到 2255 篇相关文章
专业医生远不如AI模型？OpenAI推出医疗开源测试基准HealthBench，o3表现最强
OpenAI推出医疗开源测试基准HealthBench，由262位多国医生合作打造，含5000段真实健康对话。评估显示o3综合表现最佳，顶尖AI处理任务能力超无辅助医生，HealthBench更真实专业有区分度，但也有局限。
工程知识引擎：Harness Engineering体系下的工程知识底座
现代软件开发中，AI编程智能体虽能写代码但难理解代码，缺乏工程约束与上下文支撑。为此构建工程知识引擎，整合多维数据源，有向量检索等六大能力，经评估可提升智能体效率与代码质量。
微软拉响「红色警报」！纳德拉重回一线抓Bug，AI这仗输不起
微软CEO纳德拉亲自下场盯Bug、催进度，吐槽Copilot不够聪明。Copilot嵌入Office却不被用户青睐，AI竞争已从比能力转为比留存。当下用户更看重产品能否被留下，AI竞争关键在于‘分寸感’。
都快2026年了，机械硬盘居然涨价了
消费电子市场未获AI利润，先遭冲击。因AI基建对存储需求大，内存、闪存颗粒及机械硬盘纷纷涨价。机械硬盘出货量十年来首增，价格回升，厂商借此控产保利润，消费级产品也受影响。
医生版 ChatGPT 3 年估值 60 亿美金，被低估的 AI 硬件新玩法：相框
OpenEvidence被称为医学领域的Google和医生版ChatGPT，成立3年估值达60亿美金。它用高质量数据训练小而专模型，有“无幻觉”机制，直接面向医生推广，产品进化为临床决策助手，收入来自制药广告。
我们用飞书开了个选题会，一下进入现代化办公，编辑部直呼：真香
2025年飞书未来无限大会上，飞书发布和升级诸多产品。如达M3标准的知识问答，可秒搜文档；达M4标准的飞书会议，支持声纹识别。多维表格性能提升、应用构建升级，还有AI工具全家桶。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
Karpathy最新预言：不开放、不脚本化的软件将在AI时代“灭绝”
Andrej Karpathy预言，不开放、不脚本化的传统软件在AI时代将‘灭绝’，他点名Adobe全家桶等软件风险高，认为未来赢家是‘天生文本化、可脚本化’产品，软件‘可AI协作性’将成生死分水岭。
TRAE Work Design 初体验：设计领域的翻译器
作者体验了TRAE Work新上的Design模式，认为它像设计领域的翻译器，能降低中间翻译成本。以产品原型、PPT、公众号头图等为例，展示其优势，指出AI Design降低表达和执行门槛，凸显专业判断力的重要性。
OpenClaw 走红背后：Agent、AI Coding 与团队协作的新问题
InfoQ《极客有约》X QCon 直播栏目邀请专家探讨 OpenClaw 爆火背后的问题，如 Agent 能否进入研发流程、AI 写代码边界等。专家认为 OpenClaw 并非低门槛产品，AI Coding 需解决可控问题，团队落地要平衡 SPEC 和 Vibe 模式。