2026.09.26 · 周六开源
←返回首页话题 · Topic
#基准测试
共 165 条相关资讯
2026.09.26 · 周六研究论文
临床对话 diarization 模型横评：Pyannote Precision-3 误差最低，Nemotron 3 速度领先
2026.09.25 · 周五研究论文
TRACER：面向行为一致性的多轮用户模拟器
2026.09.25 · 周五开源
Qwen3.8-27B 两款「减推理 token」微调实测对比
2026.09.24 · 周四研究论文
CheatBench 基准：测量 AI 智能体如何「作弊」
2026.09.24 · 周四研究论文
用 LLM 移植 20 种语言后：代码越简洁，AI 越好用
2026.09.24 · 周四研究论文
29 个 AI 编程模型的成本与质量基准
2026.09.24 · 周四工具
本地小模型能做 AI 文本检测吗？Deckard 浏览器扩展实测
2026.09.24 · 周四工具
Apple M5 Ultra 96GB 实测 Qwen 3.8-FN 推理数据
2026.09.23 · 周三产品功能
Qwen Intelligence 正式发布，含三款 SOTA 移动智能体
2026.09.23 · 周三模型发布
Claude Opus 5.5 发布：多基准跑分登顶，缓存读取价砍六成
2026.09.23 · 周三模型发布
OpenAI 发布 GPT-6 Sol 与 Luna：API 定价砍半，多项基准对标 Claude
2026.09.23 · 周三研究论文
AI 成本下降速度史上最快：三年来每季度降 47%
2026.09.16 · 周三行业动态
知名学者批评 AI 基准测试现状：饱和与失准并存
2026.09.16 · 周三模型发布
Apodex 1.1 模型家族发布，主打长时任务与可溯源输出
2026.09.12 · 周六工具
Rails 编码 Agent 基准 Stage 2：GPT-6 Astra 以 35% 完成率领跑
2026.09.08 · 周二行业动态
METR 长时任务基准或已饱和？Mollick 发文引发讨论
2026.09.08 · 周二行业动态
基准测试显示 GLM-5.3 Flash 与 GPT-5.6 Terra 得分持平，成本低 82%
2026.09.04 · 周五行业动态
ARC-AGI-3 半年内被 AI 从 不足 1% 做到 100%，Chollet 回应基准争议
2026.09.04 · 周五研究论文
ARC-AGI-4 基准确认 2027 年 Q1 发布
2026.09.04 · 周五产品功能
OpenAI Astra 在三项智能体基准上刷新最优成绩
2026.09.03 · 周四研究论文
通义发布 E-Commerce Bench：面向长周期自主商业运营的智能体基准
2026.09.03 · 周四工具
Lily 推理引擎在 M5 Max MacBook 上跑 Qwen3.6-35B-A3B，速度超越 MLX-LM
2026.09.03 · 周四研究论文
DeepMind 模型登顶 CyberGym 漏洞发现基准
2026.08.31 · 周一研究论文
9GB 本地模型跑完 41 年 Jeopardy! 题库，答对 67%
2026.08.29 · 周六研究论文
AI 引文造假率近四成：文献稀薄议题过半引用为虚构
2026.08.29 · 周六研究论文
Reddit 用户评测 9 款开源模型识别伪造信源能力
2026.08.29 · 周六行业动态
社区基准：Qwen3.8-Flash-Next NVFP4 在 RTX Pro 6000 上编程任务表现亮眼
2026.08.29 · 周六行业动态
同一 AI 模型两套测试框架分数差超 10 个百分点
2026.08.28 · 周五研究论文
PICasso：LLM 驱动的硅光器件自动设计框架
2026.08.28 · 周五研究论文
OpenUI 发布 LLM 生成 UI 基准：30 模型横评
2026.08.27 · 周四行业动态
DeepMind 推出全球首次双重盲测 AI 模型评估
2026.08.27 · 周四行业动态
Qwen3.8-Flash-Next 本地实测：M4 Max 上跑出 94% 基准分
2026.08.27 · 周四工具
ken：用 Ken Thompson 工程哲学约束 AI 编码代理
2026.08.27 · 周四行业动态
大学生团队湖川宣称在 AI 长期记忆基准上领先
2026.08.27 · 周四开源
Gepard TTS 在 Coval 基准登顶延迟榜，单卡 RTX 4090 即可运行
2026.08.26 · 周三工具
为 AI 智能体重做 PowerPoint API：小模型也能稳定出图
2026.08.26 · 周三研究论文
AI 频频翻车的七道智力题，你能做对几道？
2026.08.26 · 周三研究论文
RENDER：控制记忆评测中读者侧证据的新方法
2026.08.26 · 周三工具
Ora 在 Vercel 上对主流 AI 智能体做横向基准测试
2026.08.25 · 周二工具
Pi 与 DeepSeek Harness 同模型基准对比：Pi 小幅领先但样本有限
2026.08.25 · 周二研究论文
arXiv 论文：现有 LLM 榜单受评测配置影响巨大，同一模型分数可相差近 60 个百分点
2026.08.24 · 周一工具
DFlash2 与 MTP 投机解码实测：Qwen3.8-27B 量化方案对比
2026.08.24 · 周一研究论文
StateSight：面向视觉语言模型的空间状态重建基准
2026.08.24 · 周一行业动态
Together AI 基准对比：同预算下 GLM-5.3 解题数为 Fable 5 五倍
2026.08.23 · 周日行业动态
Together AI 称 GLM-5.3 在 DeepSWE 上以约 1/5 成本匹配 Claude Fable 5
2026.08.22 · 周六工具
本地大模型新基准 ctx-cliff：定位 VRAM 与上下文极限
2026.08.22 · 周六研究论文
Artificial Analysis 完成 Qwen 3 低/中推理档位独立基准
2026.08.22 · 周六研究论文
Chollet 评 NVIDIA ARC-AGI-3 表现：刷满演示集不等于刷满基准
2026.08.21 · 周五行业动态
NVIDIA 通用编码智能体 AVO 据称完成 ARC-AGI-3 全部任务
2026.08.21 · 周五研究论文
Reddit 用户称 NVIDIA AVO 在 ARC-AGI-3 上拿下 100% 满分
2026.08.21 · 周五研究论文
11.7 亿 token 大比拼：10 款 AI 模型漏洞挖掘能力实测
2026.08.21 · 周五工具
BlackBench 上线：对前沿大模型的政治、伦理与人格评测
2026.08.21 · 周五研究论文
中端 AI 模型在黑客任务上快速追赶前沿模型
2026.08.20 · 周四研究论文
研究发现 22 款前沿大模型在网络安全基准上普遍作弊
2026.08.20 · 周四研究论文
τ³-Banking 榜单：Qwen 3.8 Max 登顶，26 款主流模型排名一览
2026.08.20 · 周四研究论文
新基准揭示大模型几何作图短板：解题强，构图弱
2026.08.19 · 周三开源
Ornith-1.5 开源模型家族发布：三档规格、对标前沿闭源
2026.08.19 · 周三研究论文
Pander Score：衡量大模型迎合用户程度的新基准
2026.08.19 · 周三研究论文
GxP-Agent：用流程 DAG 拓扑提升临床试验编程可靠性
2026.08.19 · 周三开源
Qwen3.8-27B 登顶 Harvey 法律 Agent 基准开源权重榜首
2026.08.19 · 周三行业动态
智谱 GLM 5.3 现身 Artificial Analysis 基准，社区关注具体表现
2026.08.18 · 周二行业动态
社区讨论：Qwen3.8 27B 为何默认开启 xhigh 推理
2026.08.18 · 周二研究论文
新基准测试暴露多模态AI推理短板：GPT-4o、Gemini 2.5 Pro不足10%
2026.08.18 · 周二模型发布
Qwen 3.8 27B 智能指数获 52 分，追平更大参数模型
2026.08.18 · 周二工具
Holdline：为 AI Agent 防护插件推出中立基准
2026.08.18 · 周二工具
社区实测：Qwen 3.8 27B 多种量化与推理模式 agentic coding 跑分对比
2026.08.18 · 周二行业动态
Reddit 讨论 Qwen 版本 Artificial Analysis 指数跳升
2026.08.17 · 周一研究论文
稀疏注意力与 KV 压缩评估的四种“美化”手法
2026.08.17 · 周一研究论文
MobileMem：面向移动端长时记忆的智能体基准框架
2026.08.17 · 周一研究论文
如何更真实地评估 AI 编程 Agent：数据标注交互任务法
2026.08.17 · 周一行业动态
社区分析：开源模型追赶前沿大模型的滞后时间正在缩短
2026.08.16 · 周日研究论文
Vero：首个仓库级代码与证明联合生成基准
2026.08.16 · 周日研究论文
Qwen3.8-27B vs Qwen3.6-27B：代理基准实测差距显著
2026.08.15 · 周六研究论文
研究综述：LLM 在软件开发中的真实能力与局限
2026.08.15 · 周六研究论文
IntegrityBench：衡量大模型在压力下能否守住研究诚信
2026.08.15 · 周六行业动态
Together AI 对比 DeepSeek-V4 Pro 与 GPT-5.6 等模型的 SWE 基准
2026.08.14 · 周五研究论文
Rails 基金会启动「Agents on Rails」基准测试，对比主流编码 Agent 表现
2026.08.13 · 周四行业动态
M5 Max 本地大模型跑分：消费级硬件逼近前沿 API
2026.08.12 · 周三研究论文
研究发现可完全解码 Claude 与 GPT 隐藏推理过程
2026.08.12 · 周三行业动态
AI 智能体加速半导体新材料发现，YC 团队发布材料发现基准
2026.08.12 · 周三模型发布
通义 Qwen 模型在 Legal Research Bench 排名升至第 4
2026.08.12 · 周三研究论文
Reddit 用户实测：32GB 显卡跑 Qwen 27B/35B，前沿模型仍更可靠
2026.08.12 · 周三开源
DeepSeek V4 0731 量化与基准测试：发现转换漏洞并对比 38 个版本
2026.08.12 · 周三工具
LocalLLaMA 用户实测：Muse Glimmer 30B 与 Qwen 27B、Gemma 31B 推理对比
2026.08.11 · 周二研究论文
USC 研究：音频大模型「听」不如「读」，语音情感理解普遍偏弱
2026.08.10 · 周一模型发布
韩国 Motif-3 模型发布，综合基准略胜 Qwen 3.7 Max
2026.08.09 · 周日行业动态
Together AI：DeepSeek V4 Flash 编码任务成本约为 GPT-5.6 Luna 三分之一
2026.08.07 · 周五行业动态
Together AI 对比 DeepSeek-V4 Flash 与 GPT-5.6 Luna：前者成本约 1/6，性能达八成
2026.08.06 · 周四模型发布
Qwen3.8-Max 登上 Artificial Analysis 智能与智能体指数前列
2026.08.06 · 周四行业动态
Kimi K3 传在法律基准上接近 Claude 两倍得分
2026.08.06 · 周四行业动态
Together AI 声称在 Kimi K3 多项推理基准中领先
2026.08.06 · 周四模型发布
DeepSeek V4 Flash 基准跑分反超 V4 Pro Preview
2026.07.30 · 周四行业动态
前沿 AI 基准测试正失去人类基线对比
2026.07.30 · 周四工具
MindControl for llama.cpp 发布基准测试，推理 token 减半且精度不损
2026.07.30 · 周四研究论文
多模态大模型动机推理受质疑：新基准 MultivationBench 揭示短板
2026.07.30 · 周四研究论文
新基准 StatMechBench-v0 评估 AI 智能体发现统计力学结构的能力
2026.07.30 · 周四行业动态
OpenAI 发文谈基准测试与长时智能体的推理延续
2026.07.30 · 周四研究论文
OpenAI 透露 GPT-5.6 Sol 数学与 ARC-AGI-3 实测细节
2026.07.30 · 周四产品功能
Ideogram 称 Object Remover 在 RemovalBench 排名第一
2026.07.30 · 周四工具
Kimi K3 社区首测：768GB DDR5 + 双 5090 跑出 50–70 t/s 预填充
2026.07.28 · 周二工具
Apple Silicon 上 LLM 推理速度实测：开源原始基准数据
2026.07.28 · 周二研究论文
35B 编码模型 120 轮对比：KAT-Coder 效率领先
2026.07.28 · 周二模型发布
微软推出网络安全模型 MAI-Cyber-1-Flash 与多智能体框架 MDASH
2026.07.27 · 周一研究论文
研究：22 款前沿大模型在网络安全基准测试中普遍作弊
2026.07.27 · 周一研究论文
SCOPE 基准与 SCION 流水线：面向文本的 Schema 归纳与融合评估
2026.07.26 · 周日行业动态
IOAI 2026 新增 AI 模型赛道，首向智能体颁发官方奖牌
2026.07.26 · 周日开源
23 款 Gemma 4 E4B 衍生模型对比：下载量最高者反而最差
2026.07.26 · 周日工具
LLM 评测的两个噪声来源与处理方法
2026.07.26 · 周日研究论文
UC Berkeley 联合 Anthropic、OpenAI、Google 发布 ExploitGym 基准
2026.07.25 · 周六工具
FoodTruck Bench：让 AI 当 30 天餐车老板，谁更会做生意？
2026.07.24 · 周五研究论文
AI 写基准：Codex 自主生成元评测论文
2026.07.24 · 周五研究论文
InferenceBench：衡量 AI 智能体优化大模型推理能力的新基准
2026.07.23 · 周四研究论文
GPT/Claude/Gemini/Kimi 真实任务成本差 10.6 倍，隐性推理 token 是元凶
2026.07.23 · 周四工具
LocalMaxxing：聚焦本地 LLM 推理的社区基准平台
2026.07.23 · 周四研究论文
研究者严格测试：AI 实验室是否在「骑自行车的鹈鹕」上做过优化
2026.07.23 · 周四研究论文
骑自行车的鹈鹕：1008 张图实测 AI 实验室是否在刷榜
2026.07.22 · 周三研究论文
端侧语音识别基准第二轮：苹果原生引擎紧追英伟达 Parakeet
2026.07.22 · 周三研究论文
无需重训练即可跨方言泛化：模式约束解码在 MLIR 上的基准与评估
2026.07.22 · 周三研究论文
SysAdmin 基准：前沿大模型权力寻求倾向如何
2026.07.22 · 周三行业动态
Kimi K3 登顶 ErrataBench 前十，成首个突破 90% 的开放权重模型
2026.07.22 · 周三行业动态
Laguna-S-2.1 本地实测：速度领先，但事实幻觉严重
2026.07.21 · 周二行业动态
GPT-5.6 三档与 Claude Fable 5 物理建模对决：Fable 以 0.889 加权分领跑
2026.07.21 · 周二研究论文
DeepSWE：评估 AI 编程代理的新基准
2026.07.21 · 周二研究论文
DeepSWE：面向 AI 编程智能体的新一代基准
2026.07.20 · 周一研究论文
研究提出 AI 代理管理「胁迫与欺骗」基准
2026.07.20 · 周一行业动态
四项独立指标交叉印证：AI 能力「曲棍球杆」拐点出现
2026.07.19 · 周日研究论文
ASCIITermDraw-Bench：用纯文本画图，考验视觉语言模型的另一项硬功夫
2026.07.18 · 周六行业动态
Reddit 用户称 Kimi K3 登顶 SpreadsheetBench 2
2026.07.18 · 周六行业动态
Together AI 称 Kimi 在编程任务上以约三折价格追平 Claude
2026.07.17 · 周五开源
Kimi K3 基准表现亮眼，开放权重预计 7 月 27 日发布
2026.07.11 · 周六行业动态
TestingCatalog 称 Grok 4.5 在 WANDR 基准上居首
2026.07.10 · 周五行业动态
传闻：OpenAI GPT‑5.6 智能体表现抢眼，Agents' Last Exam 创新高
2026.07.09 · 周四模型发布
OpenAI 语音模型 GPT-Live-1 曝光，多项基准超越 Advanced Voice Mode
2026.07.08 · 周三研究论文
本地小模型技术问答实测：RAG 加持下准确率显著提升
2026.07.08 · 周三行业动态
沃顿教授点评微软 MAI-1：自测基准逊于 Sonnet 4.6，独立验证尚缺
2026.07.07 · 周二研究论文
AAI Labs 发布 DGX Spark 本地大模型行政任务基准
2026.07.07 · 周二产品功能
SageMaker AI 推出 MLflow 集成，自动流式记录推理基准结果
2026.07.06 · 周一研究论文
小型 TTS 模型 CPU 基准：Pocket TTS 架构独特，UTMOS 评分存盲区
2026.07.06 · 周一工具
Pocket TTS：CPU 上跑 5 秒声音克隆的 MIT 开源模型
2026.07.06 · 周一工具
FlowerBench：面向企业真实工作流的 AI 智能体基准
2026.07.06 · 周一研究论文
企业Agent真实任务评测：EnterpriseClawBench基准
2026.07.06 · 周一研究论文
AI 能否胜任事实核查？专业核查员与基准测试给出的答案是：还不行
2026.07.05 · 周日工具
Qwen 3.6 27B VLLM 基准测试：BF16 / FP8 / NVFP4 量化对比
2026.07.05 · 周日研究论文
13 款本地大模型长上下文实测：prefill 才是关键
2026.07.05 · 周日研究论文
AI Agent 一周挑战三道核工程基准
2026.07.04 · 周六研究论文
Reddit 用户实测 8 款本地模型：Gemma-4-31B 领跑奇幻 RP 基准
2026.07.03 · 周五工具
用户实测 DeepSeek V4 Pro 本地批量推理性能
2026.07.03 · 周五研究论文
社区推出 Surface Evolver Bench：用物理仿真代码生成能力测试 LLM
2026.07.03 · 周五行业动态
Together AI：GLM 5.2 以两成价格达 Sonnet 5 八成能力
2026.07.03 · 周五研究论文
拉马努金挑战赛上线：用 AI 证明数学常数公式
2026.07.03 · 周五行业动态
RTX 3090 本地实测：三款开源模型基准对比
2026.07.02 · 周四工具
开发者开源 VCCB 基准：测试多模态模型读懂日历截图
2026.07.01 · 周三研究论文
研究提出 CoPref 框架：AI 智能体应帮用户构建偏好，而非仅被动询问
2026.07.01 · 周三研究论文
Hugging Face 发布 ScarfBench：AI Agent 企业级 Java 框架迁移基准
2026.07.01 · 周三模型发布
Anthropic 推出 Claude Sonnet 5，性能接近 Opus 4.8
2026.07.01 · 周三产品功能
Cursor 接入 Claude Sonnet 5，CursorBench 得分提升 8 个百分点
2026.07.01 · 周三研究论文
OpenAI 发布 GeneBench-Pro 基准，衡量 AI 代理生物数据判断力
2026.07.01 · 周三研究论文
OSWorld2.0 发布：长链路真实任务下的电脑操作 Agent 基准
2026.06.30 · 周二研究论文
Graph-RAG 还是无图多跳 RAG？社区基准测试引发讨论
2026.06.30 · 周二研究论文
AIMAC 代码无障碍榜单：GPT 5.4 Mini 居首
2026.06.30 · 周二行业动态
AI 智能体真实任务仅完成约三分之一，可靠性随步骤指数衰减
2026.06.29 · 周一研究论文
社区测试：去拒绝训练后 MoE 模型数学与代码反超原版
2026.06.29 · 周一研究论文
NormAct 基准：多模态大模型在具身规划中难以遵循隐性社会规范
2026.06.28 · 周日行业动态