跳到正文
#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 266 条 · 第 6 / 7 页 · 更新于 19:17

10/23

星期五5 条

  1. IT之家32微软推出 AI 医疗诊断系统 MAI-DxO：复杂病例准确率达 83%，成果登《科学》
  2. The Verge · AI34Microsoft 称其 AI 诊断工具准确率最高达人类医生四倍
  3. MarkTechPost58用 OmniParseBench 从 43.9 万条判定重建文档解析榜单并实测 Tesseract 与 Indra OCR
  4. Hacker News · AI 讨论12测试 12 个 AI 模型对人类的"争议观点"，29/35 次答案相同：人类更忠于归属而非真相
  5. Hacker News · AI 讨论78新论文提出 BackUpper：让编码 Agent 动手前先备份

10/22

星期四19 条

  1. 雷峰网55蚂蚁数科发布决策模型 LingDT-Decision-1.0，提供 4B 和 27B 两个版本
  2. 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
  3. Hacker News · AI 讨论22AA-PersonalityBench：AI 人格与沟通风格基准测试
  4. IT之家18壹号本 OneXPlayer 3 三合一游戏掌机体验：首发英特尔 Arc G3 Extreme，35W 畅玩百帧黑神话悟空
  5. 掘金22我让 AI 当候选人面了一轮：8 轮追问零露馅
  6. 掘金36国产 Flash 模型大乱斗实测：DeepSeek V4.1 Flash 与 MiniMax M3.1 Flash 靠页面效果拿下前二
  7. MarkTechPost58IBM 发布 Granite Speech 5.0 2B 语音模型，支持 6 种语言转写与翻译
  8. 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
  9. MarkTechPost62Cactus Whistle 16.9 MB 语音模型 CPU 实测：对比 Whisper base 的词错率、速度、流式与工具调用
  10. Hacker News · 首页52研究者用 Pokémon Showdown 2v2 环境测试 LLM 智能体协作
  11. 掘金58哈工大实测六个开源 VLM：证据页全在上下文里仍答错，补 OCR 文本涨 13-16 分
  12. 掘金37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
  13. 掘金58EVICALC 系统报告：同一文档问答系统验证 92.17%、终测联合准确率 8.61%
  14. IT之家8苹果首款折叠 iPhone Duo 海外媒体评价汇总：外屏处理琐事，内屏留给沉浸
  15. Hacker News · AI 讨论32CyberArena：在实时对称攻防对抗中评测 AI 智能体
  16. 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
  17. Hacker News · AI 讨论20Claude Sonnet 5.5 能否从照片可靠估算食物宏量营养素？
  18. Hacker News · AI 讨论182026 年 AI 编程面试现状：10 家公司允许面试中使用 AI 助手
  19. Hacker News · AI 讨论26Seetrex Warden：在 Civ VI 智能体胜利检查逾期时拒绝 end_turn 的 MCP 门控

10/21

星期三15 条

  1. Hacker News · AI 讨论48关于智能体编码的笔记：智能体测试流程与 LLM 基准
  2. Hacker News · AI 讨论62实测 Claude Code 多智能体代码评审的成本与召回
  3. Hacker News · AI 讨论20研究：买家问 AI「最佳 X」时，厂商仅获 2% 引用
  4. Hacker News · AI 讨论22AI 基准测试：爬错了山丘
  5. Hacker News · AI 讨论34mini-Lean-Agent：面向 Lean 的极简编码智能体基线
  6. 雷峰网60MiniMax M3.1 Flash 发布，Automation-Bench 复杂 Agent 任务登顶
  7. 掘金34国产 Flash 模型大乱斗：DeepSeek V4.1 Flash 等五款模型实测，真机接手柄全部翻车
  8. 掘金60AI Agent 评测要测什么、新手怎么测：六维打分与六环节流程
  9. 钛媒体66光子星球实测 MiniMax M3.1 Flash：换题重测五道前端 Coding 案例
  10. Hacker News · 首页222026 年基准测试：五大机器人检测系统对抗现代 AI 智能体
  11. 掘金36DeepSeek V4.1-Flash-1017 上线：552B 稀疏架构仅激活 16B，实测与接入指南
  12. IT之家46OpenAI 报告：GPT-6 Astra 等模型增强低资源编程语言能力，COBOL 迁移准确率达 97.9%
  13. 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？
  14. The Decoder50OpenAI 称 GPT-6 在 COBOL、Fortran 等老旧编程语言上表现大幅提升
  15. Hugging Face Blog32Hugging Face 推出 FairStress：评估 LLM 决策公平性的新基准

10/20

星期二1 条

  1. Hugging Face Blog74ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜