跳到正文
只看观点#评测/基准

标签

#评测/基准

按发布时间排列的全部收录，按天分组；筛选和搜索都在这一页。

共 30 条 · 更新于 19:17

11/06

星期五1 条

  1. Hacker News · AI 讨论22Village LLM Atlas：闭源模型几乎占据全部价格性能前沿，开源模型仅在3%预算区间占优

11/03

星期二1 条

  1. Latent Space22Legora CTO Jacob Lauritzen 谈如何为律师构建 AI 智能体

11/01

星期日1 条

  1. Hacker News · AI 讨论22AI 够便宜到取代开发者了吗？SWE-bench Pro 与 METR 数据给出答案

10/31

星期六1 条

  1. MarkTechPost58对比 Claude、Codex、Mantis、Cloudflare 四款 AI 代码安全扫描 agent

10/30

星期五1 条

  1. 掘金26Kimi K3.1 被曝直追 GPT-6 Astra：Terminal-Bench 4.0 仅 13% 待补

10/29

星期四4 条

  1. Hacker News · AI 讨论22为什么 AI 设计工具总做出同一张传单：Claude Design、Canva、Moda 与 Grafista 实测
  2. 爱范儿22为什么新模型发布都要先做一个游戏？从鹈鹕测试到单提示词 FPS
  3. Hacker News · AI 讨论48AI 智能体能否胜任资深专家工作？五项研究给出的证据
  4. Wired · AI22我用一群 AI 智能体管理梦幻足球阵容，结果还不如人类

10/28

星期三1 条

  1. Hacker News · AI 讨论48实测 13 款 AI 模型：Claude Opus 5.5 能画出可申请建筑许可的图纸

10/27

星期二2 条

  1. 钛媒体34“跑高分”不等于“能交付”：AI排行榜正在经历一场信用重估
  2. Wired · AI22我花一天实测六大主流 AI 智能体：谁最好用

10/26

星期一2 条

  1. 掘金37AI 真的会替代程序员吗：从 55.8% 提速到 19% 变慢的八组关键数据拆解
  2. 界面新闻 · 科技34大模型时代，谁会成为那部不肯换掉的“iPhone”？

10/25

星期日1 条

  1. 钛媒体62实测 Kimi K3.1 Pro：Terminal-Bench 4.0 升至 67.2%，七道编程题看执行能力

10/24

星期六4 条

  1. 钛媒体22百度搭子月活977万后，迎来阶段性大考
  2. 量子位18特赞范凌：企业AI需要“两个世界模型”
  3. 掘金58真实 flaky 18.3% 被 CI 报成 0%，Agent 修测试时删掉了被测变量
  4. Hacker News · AI 讨论22实测验证：AI 成本仍保持每年约 10 倍下降

10/23

星期五1 条

  1. 掘金4014款大模型Java编码能力横评：Claude Opus 5.5、GPT-6 Astra、DeepSeek-V4-Pro 谁更强

10/22

星期四3 条

  1. Hacker News · AI 讨论28追踪 500 个 AI 模型价格：登顶半年后同级模型便宜约 20 倍
  2. 钛媒体18淘宝、京东、豆包、张大妈四款AI购物助手双十一实测对比
  3. Hacker News · AI 讨论10Who's Winning AI：实时追踪十大实验室的 AI 竞赛记分板

10/21

星期三2 条

  1. Hacker News · AI 讨论22AI 基准测试：爬错了山丘
  2. Hacker News · AI 讨论15HN 讨论：AI 智能体基准测试会成为新的信用评级吗？

10/20

星期二2 条

  1. 钛媒体30王兴兴称GPT-7或一两年打穿具身智能，卡点究竟在哪
  2. TechCrunch · AI18Hugging Face 政策主管：嵌入式 AI 评估者并非易事

10/14

星期三1 条

  1. AI Supremacy22Meta Muse 是否好得不像真的？State of AI 2026 报告解读

10/07

星期三1 条

  1. Microsoft Research20微软研究院播客：AI 评测中的意外失败能教会我们什么

09/30

星期三1 条

  1. Hamel Husain58Hamel Husain 实测 Claude Code 新自动评测工具 build_eval 与 hill-climb