「真机评测平台」共找到 2251 篇相关文章
Coding Agent 自主解题很强，但用户改一行代码就"翻车"？自所团队提出 SWE-Touch 揭示共享工作空间下的能力缺口
当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。
长程任务飙升98%，斯坦福Skill原生LLM来了
普林斯顿、CMU、斯坦福、牛津等提出Skill-Native大模型，提出Skill Entropy度量技能切换难度，搭建Skill²-Bench评测，还将熵用作训练信号提出Skill-Entropy RL，提升多模型准确率，且技能熵可复用。
告别 AI 流量焦虑！这款开源神器让你的品牌成为 AI 的「标准答案」
市面上 GEO 工具大多是 SaaS 订阅制，有收费高、数据不透明等问题。开源项目 GeoLook 是 GEO 实施平台，实现监测到交付闭环，有数据主权、适配中文市场等亮点，还给出快速上手步骤。
谷歌Gemma 4全系开源：3.8亿激活超越20倍体量模型，手机秒变AI工作站
谷歌发布Gemma 4全系列开源模型，有4个尺寸。它在硬件适配、注意力机制等方面革新，能在手机等设备运行，在测试中成绩出色，还获多平台支持，谷歌发起挑战赛鼓励开发者。
1美元Token撬动4800美元收益！AI挑战百万美元级基准，最赚钱的Agent出现了
Humanlaya Data Lab等机构构建$OneMillion - Bench评测基准，用经济价值衡量模型。它含400道高难题目，覆盖多领域。目前最强模型能产出约50万美元价值，但离可交付专业任务还有距离。
玩不过来AI新品？实测10大神级Skills，各种AI工具通杀！
2026年AI工具更新快，核心概念是Skills。它比追新工具重要，可跨平台复用。作者实测10大神级Skills，涵盖内容处理、设计开发等阶段，还推荐了Skill管理产品Agent Skills Guard。
从代码基座模型到智能体与应用：代码智能的全面综述与实践指南
北航、阿里等机构联合发布论文，系统梳理 2021 - 2025 年代码大模型发展。介绍代码基座模型、评测任务、对齐技术等，还提及软件工程智能体、安全防御及训练指南，预言未来编程走向。
百川开源医疗增强大模型 Baichuan-M2：更符合中国临床诊疗场景，可 4090 单卡部署
百川智能发布并开源医疗增强大模型 Baichuan-M2，以更小尺寸反超 OpenAI 新模型。它可 4090 单卡部署，成本低，在 HealthBench 评测表现佳，免费开源，更适配中国临床诊疗场景。
刚刚，马斯克开源基于 Grok 的 X 推荐算法：Transformer 接管亿级排序
X 工程团队宣布开源 X 推荐算法，该算法结合网络内外内容，用基于 Grok 的 Transformer 模型排名。马斯克曾在 2023 年开源部分算法，此次是近三年后再行动。算法开源或因平台此前分发机制受争议。
当 Agent 成为新的核心云用户：阿里云重新定义“用云范式”
Agent 进入企业速度超预期，调用云资源使云平台需改变。阿里云发布云 Skills 门户，将云能力 Agent 化，通过三层体系处理不确定性，引入 SDD 规范调云链路，还强调开放标准的重要性。