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 266 条 · 第 5 / 7 页 · 更新于 19:17
10/26
星期一8 条
- Hacker News · AI 讨论18Show HN：Frontier Log——AI 事件、模型与基准数据库
- 掘金58作者用 Step 5 Preview 一天生成 3D 中国象棋并实测其强弱项
- Hacker News · AI 讨论33Show HN：UIPalooza 测试 AI 模型是否有可辨识的设计品味
- 掘金34暨南大学发布 HANS 数据集：让文档解析模型学会忽略学生涂改
- 掘金58哈工大实测六个开源 VLM 的检索-阅读差距，证据页全召回仍答错
- 掘金41EVICALC 系统报告：同一文档问答系统验证 92.17%、终测联合准确率仅 8.61%
- Hacker News · AI 讨论37研究揭示测试评分型编程智能体基准的规格与测试落差
- Hacker News · AI 讨论58Keln 对比 OpenRouter、Vercel、Ramp 四家 AI 网关跑 DeepSeek V4.1 Flash 的基准测试
10/25
星期日8 条
- Hacker News · AI 讨论29用伪造工具输出的 LLM 对 AI 智能体监控器做红队测试
- 掘金71冬奇Lab 复盘 Skill 评测：推翻现成模型选型结论并自建评测平台
- 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
- 掘金71月之暗面发布 Kimi K3.1 Pro，价格砍半、Terminal-Bench 4.0 追到 Opus 5.5 差 0.7 个百分点
- The Decoder67南京大学与商汤发布 OpenMobile-2 开源手机智能体，27B 版 AndroidWorld 达 79.9 分
- Hacker News · 首页81GVS5H 编排框架让 Qwen3.8-27B 在 LiveCodeBench 上从 66.8% 升到 92.4%
- MarkTechPost71用 llama.cpp 跑 Underdog Saluki 27B 2-bit 量化版并实测工具调用
- Hacker News · AI 讨论28研究称 Claude Opus 5.5 等前沿模型在真实场景中仍未对齐人类生命安全
10/24
星期六19 条
- 掘金50Kimi K3.1 Pro 实测：100 万上下文、2.8T MoE，速度与成本优于 K3
- Hacker News · AI 讨论20面向 OT Agent Arena 基准、编译到 WGSL 的类型化 Tibia 规则模拟器
- Hacker News · AI 讨论34面向 AI 产品的 UX 研究：AI 原生研究生命周期
- 钛媒体22百度搭子月活977万后，迎来阶段性大考
- The Decoder64研究：复杂 harness 让编码智能体更贵但没更强
- 钛媒体22哈佛研究：Claude Opus 4.8 审稿意见全面胜过高水平人类同行评审
- 量子位18特赞范凌：企业AI需要“两个世界模型”
- Latent Space62月之暗面发布 Kimi K3.1 Pro，2.8T 总参数 104B 激活，权重承诺 11 月 4 日开放
- 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
- Hacker News · AI 讨论22Show HN：ForensicDbg 用 Claude Code 举办 AI 崩溃转储调试对决
- Hacker News · AI 讨论22实测验证：AI 成本仍保持每年约 10 倍下降
- Hacker News · AI 讨论22Agent Security League：AI 编程智能体安全基准测试榜单
- Hacker News · AI 讨论58Kimi K3.1 Pro 将开源与最强闭源模型的差距缩至 31 天
- The Decoder62月之暗面发布 Kimi K3.1 Pro，AA 智能指数 55 分升至第四
- Techmeme22Artificial Analysis：Kimi K3.1 Pro 智能指数排名第四，仅次于 Opus 5.5、Sonnet 5.5 与 Muse Wonder Full
- Hacker News · AI 讨论12ModelCompare 测试 12 个 LLM 对人类的看法：都认为人类是盲从的道德动物
- Hacker News · AI 讨论20微软 MAI-DxO 诊断准确率超医生两倍，成果登上 Science
- Hacker News · 首页38Kimi K3.1 在 Artificial Analysis 得分 55，进入帕累托前沿
- Hacker News · AI 讨论71作者实测 LLM 评审打分不稳：同一份代码八次评分在 0.82 到 0.93 之间漂移
10/23
星期五5 条