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 · 更新于 19:17
11/06
星期五13 条
- 量子位50腾讯 Hy4 调用激增，WorkBuddy 十倍扩容
- 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
- 掘金62Agent 测评指标怎么选、怎么算：判定、检索、相似、行为四类框架
- Techmeme22Artificial Analysis：Inkling 2 Small 指数追平 Gemini 3.8 Flash（high），权重开放后将成为中国以外最强开源模型
- 掘金78arXiv 综述盘点 9B–20B 开源模型量化部署实测：INT4 小 batch 提速约 2 倍，大 batch 增益归零
- IT之家71蚂蚁百灵发布原生多模态模型 Ling-3.2-flash，560B 总参数、1M 上下文，前两周免费
- Hacker News · AI 讨论80对照实验：Codex 编码智能体团队为何不如单 agent
- 掘金47Gemini 4 Carbon 登顶 Artificial Analysis 智能指数 v5：59 分第一，单任务 7.76 美元，幻觉率升至 11%
- Hacker News · AI 讨论36Joules-to-GDP：AI 系统每单位能耗能产生多少经济价值？
- The Decoder40OpenAI 推出 GPT-6 Cyber：既能攻破系统也能给出修复方案
- Hacker News · AI 讨论34GDPx 智能体基准：12 款模型的每分成本与安全过滤注意事项
- Hacker News · AI 讨论34Vetto ScienceBench 发布：50 项数据分析任务评测前沿 AI 模型科学能力
- The Decoder60腾讯发布 Hy4 模型，首次支持图像理解与操作电脑
11/05
星期四14 条
- 掘金37WorkBuddy + 混元 HY4 实测：770B 模型转正后表现略超预期
- Hacker News · AI 讨论22Balam Labs 发布 Agent Delegability Index：全球 35.2% 任务时间可部分交给 AI 智能体
- 雷峰网48谷歌与 Mercor 发布 PLE 评测：工程 Agent 单项约束满足 91%，仅 41.3% 交付项过安全门槛
- Hacker News · AI 讨论22LifeVal：评估 AI 模型在个性化智能体消费任务上的表现
- 掘金74人大、复旦、上交发布 ToolSpace，用 804 个真实工具环境训练 Agent，Qwen3.6-35B 均分从 23.0 升至 41.0
- IT之家58月之暗面开放 Kimi K3.1 Pro 权重，2.8 万亿参数登顶 Agent Arena 开源模型榜
- 掘金58多专家 Agent 怎么证明专家结论真被主 Agent 用到了
- Hacker News · AI 讨论66Surge 实测编码 Agent 框架：提高思考强度胜过复杂多智能体编排
- Hacker News · 首页58Ricursive 发布 Ripple-65B Preview 开放权重模型，主打智能体编码
- AWS Machine Learning Blog58如何在 Amazon Bedrock AgentCore Evaluations 中接入 Jev 与 Strands Decider 决策模型
- Hacker News · AI 讨论75Cleric 用多智能体架构把 agent 评测成本降低 100 倍
- Hacker News · AI 讨论58FrontierCode 2.0 实测各模型编码任务的最优 effort 档位
- The Decoder58开源基准 CloudOpsBench 显示推理是 AI 云运维的最大瓶颈
- Techmeme22Pangram 发布 Pangram Image 1.0 与 Image Flash 1.0，主打 AI 图像与视频检测
11/04
星期三11 条
- Together AI Blog58Together AI 发布 Together Compiler，用智能体持续编译推理负载
- Hacker News · AI 讨论71scan-to-vector 开源 Agent Skill：把扫描页重建成可搜索矢量 PDF
- Hacker News · AI 讨论71Google Cloud 团队总结评估 Agent 技能的五条规则，避免技能撑爆上下文窗口
- Hacker News · AI 讨论46iOS Simulator MCP 基准测试：八款 AI 智能体工具对比
- Hacker News · AI 讨论58Evalship 上线 LLM 评测检查工具，可审查评测缺陷并拦截破坏评测的 PR
- 掘金62企业级 Agent Evaluation 实战：从结果、过程到工程三层评测与上线门禁
- IT之家55小鹏联合北大、港大发布 GroundingPI 具身感知基座模型，34 项感知基准综合得分超 GPT-6 Astra
- 爱范儿58腾讯混元 Hy4 正式版发布，实测用 WorkBuddy 复刻《王者荣耀》
- 雷峰网38Gemini 4 Carbon 登顶榜单却致 Alphabet 市值蒸发数千亿美元，谷歌密集发模型在急什么
- Hugging Face Blog46CWE-bench v2 发布：100 个安全任务覆盖 91 种 CWE
- Hugging Face Blog52AI2 发布 StateBench 基准，测试语言模型在长文档中的状态追踪能力
11/03
星期二2 条