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 7 / 7 页 · 更新于 19:17

10/20

星期二14 条

  1. MarkTechPost58Exa 发布 3.0 搜索 API 与 Lite 档，称在 8 项自测基准上领先 Perplexity、Brave 和 Parallel
  2. Hacker News · AI 讨论22Agent Memory Leaderboard 是否应测试过时信息？
  3. Hacker News · AI 讨论71deepsense.ai 提出智能体评测框架：通过评测不等于可以上线
  4. 爱范儿64实测 DeepSeek V4.1 Flash：4 块钱生成特斯拉飞行 3D 网页
  5. 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
  6. 掘金25豆包、千问、ChatGPT、Nano Banana 等 11 款 AI 电商生图工具实测对比
  7. 雷峰网34Meta Muse Wonder 熔岩灯 3D 建模翻车，Alexandr Wang 辩护遭马斯克补刀
  8. Hacker News · 首页64Laminar 发布 RL 训练的 flow-1 模型，用于检测 agent trace 中的错误
  9. Latent Space52AINews 汇总：DeepSeek V4.1 Flash 1017 与 MiniMax M3.1 Flash 等模型发布
  10. The Decoder58新基准 Taste-Bench 用决策分叉评测 AI 智能体的长期决策品味
  11. Techmeme22Inception 推出扩散 LLM Mercury 3，称在智能体基准上超越 GPT-6 Luna、Claude Haiku 5.5 和 GLM-5.3 Flash，速度快 4 至 8 倍
  12. MarkTechPost41Nace AI 发布 Drex Max：面向计算机使用智能体的多模态决策模型，Decision Index 得分 67.59
  13. TechCrunch · AI18Hugging Face 政策主管：嵌入式 AI 评估者并非易事
  14. Hamel Husain62如何用决策模型做评测：调阈值、比成本、做概率校准

10/19

星期一1 条

  1. OpenAI News20OpenAI 提升 ChatGPT 对低资源编程语言的支持

10/17

星期六1 条

  1. AWS Machine Learning Blog64AWS 用 Amazon Bedrock AgentCore 搭建智能体九阶段评估框架

10/15

星期四2 条

  1. Apple Machine Learning42先规划还是先检索？工具发现架构的规模研究
  2. Google Research36Google Earth AI 地理空间推理智能体：新基准、伙伴测试与早期访问扩展

10/14

星期三2 条

  1. AI Supremacy22Meta Muse 是否好得不像真的？State of AI 2026 报告解读
  2. Google AI Blog60Google 发布 Gemini 4 Argon，API 定价每百万输入 token 2 美元

10/13

星期二1 条

  1. Microsoft Research26Microsoft Research 推出 StudentSim：用 AI 学生模拟器评估和改进 AI 辅导

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

10/05

星期一1 条

  1. GitHub Blog · AI & ML58GitHub 发布 AI 代码审查开放基准 ReviewBench

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

09/09

星期三1 条

  1. AI News · smol.ai80DeepSeek 发布 V4.1-Flash 开源权重模型，采用因果编码器-解码器架构

09/03

星期四1 条

  1. AI News · smol.ai62OpenAI 发布 GPT-6 Astra，主打电脑操作与软件工程，定价每百万 token 10/50 美元