「AI测试集」共找到 11036 篇相关文章
强迫模型自我争论，递归思考版CoT热度飙升！网友：这不就是大多数推理模型的套路吗？
近日，概念CoRT火了，它在CoT基础上加了“递归思考”，能让AI递归思考响应、生成替代方案并选最优，结合“结构化自我批判”提升推理力。不过网友质疑它是“新瓶装旧酒”。
实战指南：从零构建 MCP 架构下的 Agentic RAG 系统，无第三方MCP Server
五一期间作者用MCP架构从零实现Agentic RAG系统，分享MCP与Agentic RAG融合思考、架构设计，介绍MCP服务端和客户端实现，还做了端到端效果演示，指出架构优势及待优化处。
OpenAI大变革！继续与微软等，以非营利模式冲击AGI
今天凌晨2点，OpenAI宣布继续由非营利组织控制，营利性实体转变为公共利益公司。此前转型营利性公司引发争议，此次调整是听取各界意见后做出，旨在让AI造福全人类。
Sebastian Raschka 新书《从头开始推理》抢先看，揭秘推理模型基础
著名AI技术博主Sebastian Raschka新书《Reasoning From Scratch》第一章介绍LLM中推理含义、训练阶段、模式匹配与逻辑推理区别，还讲述提升推理能力方法及从头构建推理模型的重要性等内容。
Booking.com 的向量数据库选型：100M 数据、三种负载、一个决定
本文分享Booking.com在1亿条embedding数据规模下，原有OpenSearch向量方案遇到性能、成本、运维瓶颈后，自行设计贴合生产的压测对比不同方案，最终完成选型迁移的全过程，总结了实用经验。
实测豆包 Seed-2.1-pro-0915：一个微信小程序原型，看它如何把需求写成可运行代码
本文为豆包Doubao-Seed-2.1-pro-0915新版本实测内容，展示该模型的多模态编程能力，以生成鱼类识别微信小程序为例，给出基准测试成绩，介绍其适用开发场景。
实测Qwen3.8-Omni-Flash：全模态Agent有了“白菜价”
本文是对千问最新推出的Qwen3.8-Omni-Flash全模态模型的实测，该模型大幅降低全模态Agent使用成本，API价格远低于竞品，开放1M上下文免费测试额度。
刚刚，Claude两个新模型曝光！
开发者在Anthropic的API中发现Claude的两个新模型代号claude - marshmallow - eap和claude - melon - eap，目前处于内部测试阶段。社区有多种推测，且Anthropic命名风格改变，新模型或下月发布。
OpenAI解散「灾难风险应急」团队！GPU大神Scott Gray也跑路了
OpenAI解散「Preparedness」团队，该团队负责评估自家AI灾难级社会风险。官方称安全工作已融入开发流程。此前多个安全团队也已解散，多名安全高管离职，引发员工不安。
揭秘 | 桥梁缺陷检测新突破：模型压缩42%，精度几乎不掉
全国公路桥梁超百万座，传统人工巡检效率低且有安全风险，现有深度学习检测模型体积大、计算量高。研究团队提出LBSD - YOLO网络，通过创新实现轻量化，实验显示模型瘦身但性能不减，有重要应用价值。